神经网络概念.ppt

基于概率神经网络的潜在客户数据挖掘应用研究 二、客户关系管理——企业赢得竞争的关键 进入21世纪,随着全球经济一体化进程的加快和企业之间竞争的加剧,买卖双方市场地位的变化及技术推动与企业创新等的推动,企业已逐步向以客户为中心、服务至上、实现客户价值和达到企业利润最大化的经营管理模式转变,客户资源己经成为衡量企业综合竞争力的最重要指标,良好的客户关系是企业求得生存与发展的重要资源。 三、数据挖掘——客户关系管理的基础和核心 第二层为模式层(即样本层),它与输入层之间通过连接权值相连接。样本层神经元的传递函数不再是通常的Sigmoid函数,而为g(Z,)=exp[(Z,.-l)/(s*s)]。其中,Z,为该层第i个神经元的输入,S为均方差。 第三层为累加层(即求和层),它具有线性求和的功能,这一层的神经元数目与欲分的模式数目相同。如果输出结果表示分类,那么,第三层便是将属于某类的概率累计,从而得到输入样本属于该类的最大可能性。 第四层为输出层(即决策层),它具有判决功能,它的神经元输出为离散值1和-1 (或0),分别代表着输入模式的类别。 2)概率神经网络的数学模型 概率神经网络数学模型如图所示。输入层完成输入样本的预处理过程(即获得输入向量P的过程),实现输入样本空间转换为数据空间;模式层计算出输入向量P与权值向量IW的距离,获得一组向量,其表示向量P与向量IW的相似程度;叠加层先计算出输入向量P对应于权值向量IW的输出和n1,然后通过径向基函数非线性映射作用获得输出向量a1;竞争输出层先获得向量a1的加权和向量n2,然后根据向量n2中的最大值相应获得网络最终输出值y(即a2 ） R为输入向量的元素数目,Q为叠加层径向基函数神经元的数目,也是输入数据可划分的类别数目,运算框II dist II计算输入向量P与权值向量IW的欧几里得距离,运算符表示阀值向量b1与II dist II的输出向量一一对应元素相 乘,即存在如下关系: 式(3.6)中ai1表示向量a1的第i个元素,bi1表示向b1的第i个元素,IW表示向量iIW中的第i行元素构成的新向量。 四、基于概率神经网络的潜在客户响应率分析 这些特征对于消费者是否对于企业营销活动决策产生回应没有明显的直接关系,但通过概率神经网络却可以发现它们之间的内在联系,并对这些客户进行分类,区分哪些是高可能性的客户,哪些不是。这些都整理在一个data_rough.txt文件中,前11列数据表示客户的相关属性,最后一列表示该客户是否购买企业的类似产品。在不同企业的销售历史记录中共有1000条不同潜在客户的特征信息,其中有一些会对销售宣传回应,有一些不会。 ②修改数据属性 为了便于利用Matlab中概率神经网络算法实施本实验,需要首先修改现有数据的一些属性,主要是把非数值型的数据修改为数值型的数据。这是因为Matlab只能处理数值类型的数据。 属性Ad Spending (年均广告支出)初始为类别类型,A、B、C、D、E表示几个层次的广告支出,需要将其设置为数值类型,因此把A、B、C、D、E分别对应1、2、3、4、5。 属性New Location (新厂址)初始为类别类型,M、N、S分为搬迀厂址、新厂址和没有搬迀,需要将其设置为数值类型,因此把M、N、S分别对应1、2、3。 同样,把Industry Category (产业类型)属性改为数值型。 另外,为了把客户做分类处理,需要将客户是否购买类似产品的属性改为别型数据,原来为逻辑型(1/0,Y/N),改为用整型数值表示的类别,不购买记为1,购买记为2。因为在Matlab神经网络工具包中提供的概率神经网络的处理工具中,所接受的输出值为一个稀疏矩阵,该矩阵在对应类别所在行上的值是1,其他均为0,在由类别到稀疏矩阵的转换函数ind2vec中,不能接受0值,因为这些表示类别的数值对应向量的行数不能为0。 接下来利用概率神经网络对data—prepared.mat中的数据进行分析,对潜在客户进行分类,以便找出那些最有可能对促销产生响应的客户。 2、数据挖掘 下面利用Matlab神经网络工具包中提供的概率神经网络的处理工具进行潜在客户挖掘。 ①数据导入 首先把准备好的数据data_prepared. mat导入工作区。在Matlab中选择File一import一选择准备好的数据data—prepared, mat,点击完成导入数据。 ②数据分组 如前所述,在利用概率神经网络进行潜在客户挖掘时,需要将数据分为两组,训练数据集和测试数据集。利用训练数据集训练神经网络,得到潜在客户挖掘模型,测