基于支持向量机的消费者行为分类方法(4)

　　从表1中可以看到，支持向量机在预测期分类的预测准确率达到64.98%，大于贝叶斯判别的分类准确率45.23%，体现了其在分类上的先进性。

　　我们再将所有的调研数据按区域（地级市为单位）划分，得到的分类如图2所示，将两种方法得出结果分别求算术平均值，结果如表2所示。

　　从图2和表2，我们可以看到，在按城市区分之后，SVM的分类准确率有一个提升，平均分类准确率达到了77%，远远高于贝叶斯判别的准确率45%。进行城市区分之后分类准确率更高，这个一方面更加确保支持向量机在分类上的一个有效性;另一方面也说明，不同城市的烟民在购买卷烟的行为也有着不同模式。

　　5 总结与展望

　　本文的研究，希望利用支持向量机模型在分类上的天然优势，可以将不同的行为模式区分开来。由于消费者行为的产生取决于多方面不同的因素，而消费者对品牌的敏感性一直是学术研究中的一个重点与难点。

　　本文利用并行计算，二叉树多类分类方法提高支持向量机的运行效率。从研究的结果来看，运用该方法的广东省内的分类准确率明显的优于贝叶斯判别的分类。这说明支持向量机模型在烟草消费行为分析中有一定的有效性。另外，将不同城市区分开后单独用支持向量机进行消费者行为分析，更加进一步的确定了支持向量机的分类确实比其他分类更有优势。当然，本研究在以下几个方面仍需要更深度的挖掘：

　　①如何有效地将两类问题的解决办法推广至多类问题，一直是支持向量机研究的一个重要方向。在未来的研究中，需要一种能直接多类的模型，以防止二分类时出现不可分现象是十分必要的。

　　②消费者偏好与测量方法是比较复杂的。本文的由于消费者行为影响因素很难量化，如何将定性化与定量化的指标结合，共同利用支持向量机方法进行数据挖掘，也是下一步需要研究的方向。

　　参考文献：

　　[1]范秋英，方醒.基于层次分析法的网上消费者行为分析[J]. 物流工程与管理，2013，01：121-122.

　　[2]郭磊，陈进，朱义，肖文斌.小波支持向量机在滚动轴承故障诊断中的应用[J].上海交通大学学报，2009，04：678-682.

　　[3]汪海燕，黎建辉，杨风雷，等.支持向量机理论及算法研究综述[J].计算机应用研究，2014，31（5）.

　　[4]王孟磊.基于模糊聚类-ABC控制法的百货企业市场细分研究[J].价值工程，2014，16：198-199.

　　[5]B. Baesens， S. Viaene， D. Van den Poel， J. Vanthienen， G. Dedene， Bayesian neural network learning for repeat purchase modeling in direct marketing[M]. European Journal of Operational Research， 2002（138）：191-211.

　　[6]G. Cui， M.L. Wong， H.-K. Lui， Machine learning for direct marketing response models： Bayesian networks with evolutionary programming[J]. Management Science， 2006（52）：597-612.

　　[7]L. Cao. In-depth behavior understanding and use： the behavior informaticsapproach[J]. Information Sciences， 2010（180）：3067-3085.

　　论文榜（www.zglwb.com），是一个专门从事期刊推广、投稿辅导的网站。
本站提供如何投稿辅导，寻求投稿辅导代理，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。


期刊鉴别	论文检测	免费论文	特惠期刊	学术答疑	发表流程

搜索

基于支持向量机的消费者行为分类方法(4)