集成学习是模式识别领域的研究热点,集成分类器往往比单一分类器具有更好的预测精度和泛化能力。本文提出了一种基于BQIGSA选择性集成分类器的方法,并将其应用到用户流失预测中,期望能提升预测效果,帮助减少运营商的用户流失率。在基分类器的训练方面,本文选取了CART、Logistic和SVM为单一分类器。并针对用户流失数据高维性的特点,通过构造属性子集来训练基分类器。属性子集的选取有两个步骤:(1)使用Relief权重、MIC、条件基尼增益、Pearson相关系数、Fisher得分这五个相关性指标计算各个属性与类别的相关性,再利用舒尔茨函数融合五个指标的计算结果,得到属性与类别的相关性,并选取相关性较大的前80%的属性;(2)利用AP聚类算法对保留的属性进行聚类,从各个聚类类别中随机选取属性构造属性子集。基分类的训练形成了单一分类器分别为CART、Logistic、SVM、CL(CART+Logistic)、CS(CART+SVM)、LS(Logistic+SVM)、CLS(CART+Logistic+SVM)的七组基分类器集合。在基分类器的筛选方面,首先针对在训练集中预测结果完全一致的基分类器,保留其中具有最高AUC值的分类器。其次,对保留的基分类器利用BQIGSA进行筛选,分别设置适应度为G_mean和AUC,并将其在测试集的预测效果与基于遗传算法、Bagging算法集成基分类器的效果进行比较。结果表明,基于BQIGSA选择性集成分类器的方法具有最好的分类效果,且该方法通过设置合理的适应度函数可以减少不均衡样本对分类结果的影响。同时,以AUC为适应度函数比以G_mean为适应度函数更符合实际业务需求,可以在非流失用户召回率在60%以上时,使流失用户的召回率达到85.46%。