Python对中国电信消费者特征预测：随机森林朴素贝叶斯神经网络最近邻分类逻辑回归支持向量回归（SVR）

Posted 2023-03-15 大数据部落

全文链接：http://tecdat.cn/?p=31868

原文出处：拓端数据部落公众号

分析师：Chang Gao

随着大数据概念的兴起，以数据为基础的商业模式越来越流行，用所收集到的因素去预测用户的可能产生的行为，并根据预测做出相应反应成为商业竞争的核心要素之一。单纯从机器学习的角度来说，做到精准预测很容易，但是结合具体业务信息并做出相应反应并不容易。预测精确性是核心痛点。

解决方案

任务/目标

根据所收集到的用户特征用机器学习方法对特定的属性做预测。

数据源准备

数据质量低或者缺失，会影响模型预测效果。在建立的一个合理的模型之前，对数据要进行清理。对于数据中的连续变量和离散变量进行标准化和因子化处理，以使后面的预测更加准确。

因子化标准化处理

首先将数据进行属性分类，分为名义变量（\'性别\', \'归属地\', \'换机频率\', \'终端品牌\', \'终端类型\', \'最近使用操作系统偏好\',\'渠道类型描述\', \'是否欠费\', \'产品大类\', \'产品分类\'）和间隔变量（\'年龄\',\'在网时长\',\'上网流量使用\',\'漫游流量使用\', \'总收入\',\'增值收入\',\'流量收入\',\'短信收入\',\'彩信收入\',\'语音收入\'）。

将数据处理成算法容易处理模式：

1. 朴素贝叶斯数据集

朴素贝叶斯方法需要离散化数据，于是按照分为点对于连续数据进行离散化处理。然后将所有的离散变量进行因子化。

2. 神经网络，支持向量机与最近邻所需数据：处理以保证在一个数量级

为方便起见，用one-hot编码因子变量。对于连续变量，将数据映射到0，1之间 且不改变分布。

3. 随机森林与回归所需数据：直接使用因子化的原始数据。

划分训练集和测试集

考虑到最终模型会在已知某些变量的同时，预测一些未知的特征，为了更真实的测试模型效果，将数据集分为分训练集和测试集。

建模

用其他用户特征，用训练集进行调参，预测用户“收否欠费”这个属性。

1. 随机森林

用随机的方式建立一个森林，森林由很多决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。

两个主要参数：n_estimators: 多少树 max_features: 每个树随机选择多少特征

比较不同参数预测结果的neg_log_loss,选择最优的参数(score最大的)

2. 朴素贝叶斯

3. 神经网络

在PyTorch框架下面进行网络的搭建及运算

需要调节的参数：batch_size=[200,500,1000], 神经元个数=[16,32,64,128]

学习率=[0.01,0.005，0.001,0.0005，0.0001,0.00005，0.00001] 再微调，epoch=[10,20,30,40,50,60]

调参策略，第一调到最优后选择下一个进行调参，并不进行网格搜索

(a) 数据形式调整并进行小批次数据训练(批训练)：每次选择1000数据集进行拟合，避免局部最优。

(b) 模型建立：我们采用了输入层+两层隐藏层+输出层，的三层神经网络，确定三层隐藏层的个数：我们比较32，64 逐一变化，择取最优。

(c) 训练网络：优化器：采用了Adam而不是简单的SGD，主要也是避免局部最优的问题。分类问题我们采用了普遍使用的交叉熵损失损失，但是与普遍的交叉熵相比，由于数据过于不平衡，因此我们增加了占比较少的数据的损失权重

4. 最近邻分类

最近邻分类：主要需要确定n_neighbors,我们比较n_neighbors=3，5，7，9情况下neg_log_loss

5. 逻辑回归：这里主要也是需要对变量进行筛选

由于数据非常不平衡，因此我们使用AUC作为标准进行衡量。逐个遍历自变量并将自变量名连接起来，升序排序accuracy值，最新的分数等于最好的分数。

6. 支持向量回归（SVR）：使用网格搜索法最佳C值和核函数

模型准确性判定：

准确度/查准率/查全率

混淆矩阵

ROC曲线

 在此案例中，从准确度来看，随机森林模型的分类最好。从查准率来看，神经网络模型的分类最好。从查全率来看，逻辑回归模型的分类效果最好。同理，由上图可知，在ROC曲线下对于“是否欠费”这个因变量，神经网络模型的分类效果最好，模型的ROC曲线下面积最高，拟合最优。其余模型的拟合效果显著。

但事实上，评估效果不能只看统计数据，要综合考虑现实情况，预测精度，模型可解释性和客户偏好等因素综合考虑。预测结果仅作为参考一个权重值，还需要专家意见，按照一定的权重来计算。

关于分析师

在此对Chang Gao对本文所作的贡献表示诚挚感谢，她在复旦大学完成了统计学学位，擅长数据挖掘、机器学习、数据采集。

---

最受欢迎的见解

1.PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像

2.R语言基于树的方法：决策树，随机森林

3.python中使用scikit-learn和pandas决策树

4.机器学习：在SAS中运行随机森林数据分析报告

5.R语言用随机森林和文本挖掘提高航空公司客户满意度

6.机器学习助推快时尚精准销售时间序列

7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用

8.python机器学习：推荐系统实现（以矩阵分解来协同过滤）

9.python中用pytorch机器学习分类预测银行客户流失

▍关注我们 【大数据部落】第三方数据服务提供商,提供全面的统计分析与数据挖掘咨询服务,为客户定制个性化的数据解决方案与行业报告等。 ▍咨询链接：http://y0.cn/teradat ▍联系邮箱：[e-mail]