[发明专利]一种通过BP神经网络预测银行客户流失的方法

权利要求书

1.一种通过BP神经网络预测银行客户流失的方法，其特征在于，

主要包含以下步骤：

A、抽取并加工银行客户流失相关特征点数据；

B、构建客户流失预警BP神经网络算法；

C、客户流失预警BP神经网络算法参数设置。

2.根据权利要求1所述的方法，其特征在于，

加工预测流程如下：

首先，分析采集用户的特征点数据；

其次，按业务逻辑内容抽取加工特征点数据；

再次，利用BP神经网络算法对基本数据进行训练，生成BP算法的内部模型；

再次，训练模型度达到64％的准确度后，采用预测数据对未来的客户流失进行预测；

最后，通过算法实践对客户流失进行客观验证。

3.根据权利要求2所述的方法，其特征在于，

进一步包括，

步骤A中所述数据项为银行客户流失相关特征点，特征包括客户基本信息数据项和相关客户指标数据项；其中，

基本信息数据项包括：BCIF开卡等级(0-3)、性别(0,1)、教育程度(0-99)、年收入等级(1-10)、家庭月收入级别(1-8)；

指标数据项包括：活期存款余额、结构性存款余额、非结构性存款余额、贷款余额、不良贷款余额、活期存款发生额、结构性存款发生额、非结构性存款发生额、贷款发生额、不良贷款发生额、月消费金额、月消费笔数、月转入金额、月转入笔数。

4.根据权利要求3所述的方法，其特征在于，

进一步包括，

步骤A中所述数据项为必须是数值型，非数值型数据项需加工成数值型数据项。

5.根据权利要求2所述的方法，其特征在于，

进一步的包括

BP神经网络是在输入层与输出层之间增加一层隐性神经元，该单层神经元有25个节点。

6.根据权利要求5所述的方法，其特征在于，

进一步包括，

神经元的计算方法是采用矩阵乘法来计算出预测结果值；

计算公式为：x＝sigmoid(np.dot(w,x)+b)

Sigmoid为S型激活函数，是神经网络的阈值函数，将变量映射到0,1之间；

np.dot为矩阵乘法函数，w为权重矩阵，X为特征点数据，b为偏置矩阵。

7.根据权利要求6所述的方法，其特征在于，

进一步包括，

初始参数配置,采用高斯分布函数生成初始值。

8.根据权利要求6或7所述的方法，其特征在于，

进一步包括，

利用反馈更新函数updata_parameter来持续优化权重和偏置的变量值；

利用其中的子函数用来计算误差值并反向传递模型训练；

利用Evaluate函数评估验证集和测试集的精度；

利用predict函数返回预测的准确度，对预测结果值进行输出。

9.根据权利要求2所述的方法，其特征在于，

进一步包括，

步骤B中所述客户流失预警BP神经网络算法的目标预测值分类，共分为5类客户，包括0代表流失客户、1代表预警客户、2代表正常客户、3代表良好客户、4代表积极客户；预测标签采用矩阵赋移位赋值方式index_date['flag_n1'][0:-1]＝np.array(index_date['flag'][1:])。

10.根据权利要求2所述的方法，其特征在于，

进一步包括，

步骤C中所述客户流失预警BP神经网络算法参数设置；该算法参数设置，特征点数量，featureNum，设置为25；神经元数量，nerveCell值设置等同特征点数量；分类数量，clsssfy分类是5类；训练数据块大小，min_batch_size设置为300；反向传导系数，eta设置为3.0。