由于数据量的快速增长以及人工标记样本成本增加，大大限制了监督学习的应用。在客户流失预测领域，目前研究者多采用监督学习方法进行客户流失预测，需要大量的带标签样本进行训练，但标记样本的过程耗时且耗力影响了模型在实际场景中的应用。本文利用标签比例学习方法探索解决移动客户流失问题，通过样本分包的标签比例信息来训练模型，无需使用单个样本的标签信息，同时解决该方法在移动客户流失预测过程中的两个问题。一方面，实际应用场景中比例信息是业务经理根据业务经验估计出来的，与真实的比例信息之间存在偏差。为了解决这种比例信息不明确的问题，本文提出了一种改进的Soft Alter-∝SVM算法，在比例信息不明确的情况下，可获得相对较优的训练效果。另一方面，移动客户流失是一种典型的数据不均衡问题，而目前还未有关于不均衡数据对标签比例学习影响的研究。通过对比不均衡数据在标签比例学习与监督学习的训练结果，初步探究了数据不均衡性对标签比例学习的影响。实验结果表明，不均衡数据对标签比例学习的影响受分包大小与数据量的影响，但从整体上看，这种影响小于监督学习的情形。