换一批新汽车消费预测中主流分类算法的性能比较与适配性研究
A Comparative Study on Performance and Adaptability of Mainstream Classification Algorithms in New Automobile Consumption Prediction
摘要以客户是否购买新车型为预测目标,对比分析逻辑回归(LR)、K近邻(KNN)、高斯朴素贝叶斯(GaussianNB)和支持向量机(SVM)四种分类算法的性能.基于汽车消费相关数据,经数据预处理后,针对各模型开展超参数调优:为逻辑回归优化正则化参数与惩罚项;对于 KNN 算法,需调整近邻数量并选择适宜的距离度量方式;对于高斯朴素贝叶斯,则要验证特征独立性假设的适配程度并进行相应微调;为SVM优化核函数、正则化系数等关键参数.经训练与测试评估,调优后SVM的综合表现突出,AUC达0.965,预测准确率为93%;KNN、高斯朴素贝叶斯AUC均为0.963,准确率均为93%;逻辑回归AUC为0.955,准确率为91%.研究表明,SVM在非线性数据拟合上优势显著,适用于汽车消费预测场景,为企业精准制定营销策略提供有力的数据支持和决策依据.
更多相关知识
关键词
分类算法汽车消费预测性能比较适配性研究classification algorithmsautomobile consumption predictionperformance comparisonadaptability research
分类号
R614（外科手术学）
栏目名称
发布时间
2026-01-05（万方平台首次上网日期，不代表论文的发表时间）
基金项目
广州商学院校级科研项目（XJYXKC202539）
广东省高等教育教学改革项目（2023JXGG05）
- 浏览5
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
