随着移动互联网的普及,电信用户市场渐趋饱和,电信行业用户增长持续放缓。各运营商在不断发掘新增用户的同时,相互之间的市场竞争也在加剧。近年来实施的“携号转网”政策更是加速了用户在电信企业之间的流动,如何及时发现有离网倾向的用户并对其推出个性化的营销策略进行挽留,成了电信行业亟需解决的目标。用户流失领域普遍存在类别不平衡的问题,流失用户所占比例较小。传统的二分类算法默认分类的错误代价是相同的,然而将一个流失用户分类为非流失用户所造成的损失远远大于将非流失用户分类为流失用户带来的损失。基于此,本文引入代价敏感学习的思想,通过为不同的分类错误设置不同的惩罚力度来让更多的流失用户被正确识别。进一步,为了得到更好的预测性能,采用新兴的集成学习算法XGBoost作为用户流失预测工具。本文的主要工作是通过修改损失函数将代价敏感学习与XGBoost算法相结合,并构建基于XGBoost的预测模型。对某市移动运营商的业务数据展开实证分析后,结果表明,修改损失函数后的XGBoost模型在各种评估指标上均比在默认损失函数上训练的模型有更好的表现。同时,在与采样方法进行对比的实验中,也证实了对于本文数据集,代价敏感学习在不平衡问题的处理上表现更佳。可见,基于代价敏感的XGBoost算法训练得到的预测模型对流失与正常样本具有较好的分类效果,可以为运营商及时发现有离网倾向的用户并制定相应的维系策略提供解决方案。