Classifying variety of customer's online engagement for churn prediction with mixed-penalty logistic regression
以混合惩罚逻辑回归分类客户在线参与特征并预测流失AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要将逻辑回归用于通用客户流失分类，未提出经济离散选择模型或其他所列计量问题，故分类证据不足。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
以混合惩罚逻辑回归分类客户在线参与特征并预测流失
- 研究问题
- 面对高维客户关系管理数据及少数类流失样本，如何利用混合惩罚逻辑回归改善分类并降低过拟合与特征干扰？
- 方法与思路
- 作者在逻辑回归中加入结合绝对值与平方正则化的混合惩罚，分析其性质，并在多特征客户数据的不同设定中评估。
- 材料陈述的贡献
- 摘要称方法具有所研究的分析性质与计算优势，能够处理弱相关特征和少数类敏感性，并以准确率、精确率和召回率评价。
- 阅读关注点
- 应核对惩罚的具体形式与调参、类别不平衡处理、训练测试划分，以及计算优势和分类改善对应的比较基准。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未给出指标数值和验证设计，不能据此确认跨场景预测优势。
原文摘要
Using big data to analyze consumer behavior can provide effective decision-making tools for preventing customer attrition (churn) in customer relationship management (CRM). Focusing on a CRM dataset with several different categories of factors that impact customer heterogeneity (i.e., usage of self-care service channels, duration of service, and responsiveness to marketing actions), we provide new predictive analytics of customer churn rate based on a machine learning method that enhances the classification of logistic regression by adding a mixed penalty term. The proposed penalized logistic regression can prevent overfitting when dealing with big data and minimize the loss function when balancing the cost from the median (absolute value) and mean (squared value) regularization. We show the analytical properties of the proposed method and its computational advantage in this research. In addition, we investigate the performance of the proposed method with a CRM data set (that has a large number of features) under different settings by efficiently eliminating the disturbance of (1) least important features and (2) sensitivity from the minority (churn) class. Our empirical results confirm the expected performance of the proposed method in full compliance with the common classification criteria (i.e., accuracy, precision, and recall) for evaluating machine learning methods.