The invention relates to a machine learning based optimization method of customer value model, which comprises the following steps: Step 1: customer value model through random sampling method of N data extraction main customers of different periods, to obtain the initial model data sample Si (I = 1, 2, 3... N); step 2: to give a model of initial data sample Si (I = 1, 2, 3... N) respectively using bagging machine learning method and corresponding training N individual weak learner Hi (I = 1, 2, 3... N); step 3: the stacking combined with the strategy will be the individual weak learning Hi (I = 1, 2, 3... N) combined into a strong learner H; step 4: strong learner H rules as the optimal model, and the input current customer value model data into strong learner H, strong learner results obtained by H for the optimal results of the model.
【技术实现步骤摘要】
一种基于机器学习的客户价值模型优化方法
本专利技术涉及一种交易数据的处理方法,尤其涉及一种基于机器学习的客户价值模型优化方法。
技术介绍
目前,传统的模型优化方式,是采用实验对比进行验证。针对目标识别类模型,根据需要优化模型应用场景,选择对比数据,数据中包含一部分目标数据和其他干扰数据。将测试数据导入模型运行,查看模型输出结果中目标数据的识别数量,进行模型效果判断。模型效果判断主要通过,目标数据的查全率和查准率,两个指标进行衡量:查全率,是指模型运算结果中,包含目标数据样本个数,占检测数据中目标数据样本的百分比。查准率,是指模型运算结果中,包含目标数据样本个数,占全部模型识别样本个数的百分比。针对指标预测类模型,同样选择历史数据导入模型,根据模型运算结果与实际数据进行比较,计算误差范围,若误差范围符合模型精度设计要求,则模型不需要优化;若误差范围超过模型精度要求,则需要进行模型优化。同样目前行业应用模型的优化过程,基本上同模型新建过程一致,需要重新进行模型输入数据进行关联分析,导入新的数据字段替换原有数据信息。模型算法方面,则是根据优化当时,整体社会基础算法研究现状,选择更好的算法替代原有算法。通过上述对目前行业模型优化的说明,可以看出,现有模型优化的方式比较传统,耗费人力、时间成本较高,效率较低。同时现有行业应用模型优化,必须在实验条件下才能完成,无法自动在真实运行环境下进行实时优化,耽误实际商业应用,如果模型应用是某些企业的核心机制,模型优化过程,也会给企业带来较大的利益损失。因此,也实际造成多数企业,不愿花费如此高的代价进行模型优化,仍沿用老旧模型, ...
【技术保护点】
一种基于机器学习的客户价值模型优化方法,其特征在于,包括如下的步骤:步骤1:通过随机采样法提取N个客户主体不同时期的客户价值模型数据,得到初始模型数据样本Si(i=1、2、3...N);步骤2:对各个初始模型数据样本Si(i=1、2、3...n)分别使用bagging机器学习方法,相对应地训练出N个独立的个体弱学习器Hi(i=1、2、3...N);步骤3:通过stacking结合策略将步骤2中所述的个体弱学习器Hi(i=1、2、3...N)结合成一个强学习器H;步骤4:将步骤3得到的强学习器H作为最优模型规则,并将当前客户价值模型数据样本输入到强学习器H,强学习器H得出的结果为最优结果模型。
【技术特征摘要】
1.一种基于机器学习的客户价值模型优化方法,其特征在于,包括如下的步骤:步骤1:通过随机采样法提取N个客户主体不同时期的客户价值模型数据,得到初始模型数据样本Si(i=1、2、3...N);步骤2:对各个初始模型数据样本Si(i=1、2、3...n)分别使用bagging机器学习方法,相对应地训练出N个独立的个体弱学习器Hi(i=1、2、3...N);步骤3:通过stacking结合策略将步骤2中所述的个体弱学习器Hi(i=1、2、3...N)结合成一个强学习器H;步骤4:将步骤3得到的强学习器H作为最优模型规则,并将当前客户价值模型数据样本输入到强学习器H,强学习器H得出的结果为最优结果模型。2.根据权利要求1所述的基于集成学习Bagging算法的客户价值模型优化方法,其特征在于:步骤1中的随机采样法为自助采样法(Bootstapsampling),即对于N个样本的原始训练集,每次先随机采集一个样本放入采样集,接着把该样本放回,这样采集N次,直到得到N个样本的采样集为止。3.根据权利要求1所述的基于集成学习Bagging算法的客户价值模型优化方法,其特征在于:步骤3中的stacking结合策略包括如下的步骤:先从客户价值模型数据集中随机抽取45%-55%数据样本作为训练集,同时从客户价值模型数据集中...
【专利技术属性】
技术研发人员:李星龙,李伟,汤紫瑜,
申请(专利权)人:欧若纳信息科技苏州有限公司,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。