求助：如何更有效的降低错分代价

shiyiming

在电信客户的流失预测问题中，常常忽略一些问题的特殊性，即客户数据集中两类样本（流失和非流失）数量分布的非平衡性和错分代价的差异。从业务问题的角度出发考虑，把一个流失的客户预测不流失，意味着企业很可能失去一位客户；而把一位不流失的客户预测为流失，企业会额外付出客户挽留成本。在保持客户总数不变的前提下，出现前者情况说明企业就要花费一定的成本去开发一个新用户，出现后者情况说明运营商挽留客户的成本，实践经验表明，获取一位新客户的成本一般是保持一位老客户成本的5-8倍，因此在客户流失预测中怎么样去减少这两类错误，尤其是钱一种错误，对运营商来说是至关重要的。而就目前关于分类预测的模型中并不能解决以上的问题。

shiyiming

我个人认为这是和数理统计种假设检验十分相似，假设检验中有拒真和纳伪两种错误，两种错误不可能同时被控制，在统计学上一般采用控制第一种错误的概率，即矩阵错误，结合你的问题，也就是要控制犯“把一个流失的客户预测不流失”错误的概率，原假设为H0:客户x会流失，用SAS做假设检验，只有当p-value<0.05(或更小)时，才拒绝原假设，即认为客户不会流失。
以上是个人愚见，如有不对之处，还望批评指正。

shiyiming

客气，真不错哈  不过我要先去验证一下  谢谢了哈

shiyiming

你指的“目前关于分类预测的模型”都有哪些模型

shiyiming

基于距离的分类算法、决策树基本算法、贝叶斯分类、规则归纳吧

shiyiming

to kaijue，呵呵，那出来的准确率大概都是多少呢？

shiyiming

分类的准确率评估我主要是用混淆举证做的评估，然后去做了个损失累积加总，结果显示确实比较高

shiyiming

to kaijue，模型测试（test）出来的的大概是多少呢？