[发明专利]一种双层结构的企业情报流失预测方法

说明书

本发明公开了一种双层结构的企业情报流失预测方法，包括系统获取数据集，将数据集划分为训练集和测试集，之后利用XGBoost、LightGBM、AdaBoost和加权投票算法，将所述训练集进行双层训练，输出分类预测模型的评价指标，最后将所述分类预测模型的评价指标与对比对象进行结果分析比较。使用双层融合的方法以及相适应的算法，提高客户流失预测模型的准确率和精确率，进一步的完善客户流失预测模型。

技术领域

本发明涉及数据处理领域，尤其涉及一种双层结构的企业情报流失预测方法。

背景技术

时至今日，各类市场日益饱和且竞争激烈，属于行业巨头的市场份额越来越大，各行业企业家们以往关注的重点在于推出新颖的定制服务来吸引新客户，并将已经拥有的客户转换成忠诚客户。而研究表明发展一个新客户的成本远高于维护一个老客户的成本，所以预防老客户的流失是各企业家们必须重视的问题。

因此，客户流失预测技术对于企业挽留老客户和推出各种定制服务来说是十分重要的。比如电信企业，一个流失的客户如果不再使用运营商提供的服务，那么他就再也无法产生任何利润，这对于拥有千万级别数量客户的运营商而言，如果能降低百分之一的客户流失率，那将会带来可观的利润增长。及时并准确识别潜在的流失客户渐渐成为了各大行业巨头企业家们研究的重点。

在客户流失预测领域，机器学习的算法如强化学习算法的应用大幅提高了模型的准确率，但是单个算法在预测准确率上的提升还很有限，所以提升准确率和精确率是客户流失预测模型急需提高的地方。本发明采用双层融合结构以及相适用的算法，提高客户流失预测模型的准确率和精确率，进一步的完善客户流失预测模型。

发明内容

本发明提供的一种双层结构的企业情报流失预测方法，旨在解决现有技术中存在准确率和精确率低的问题。

为实现上述目的，本发明采用以下技术方案：

本发明的一种双层结构的企业情报流失预测方法，包括以下步骤：

获取数据集，将数据集划分为训练集和测试集；

利用XGBoost、LightGBM、AdaBoost和加权投票算法，将所述训练集进行双层训练，输出分类预测模型的评价指标；

将所述分类预测模型的评价指标与对比对象进行结果分析比较。

获取数据集，将数据集划分为训练集和测试集，之后利用XGBoost、LightGBM、AdaBoost和加权投票算法，将所述训练集进行双层训练，输出分类预测模型的评价指标，最后将所述分类预测模型的评价指标与对比对象进行结果分析比较。使用双层融合的方法以及相适应的算法，提高客户流失预测模型的准确率和精确率，进一步的完善客户流失预测模型。

作为优选，所述利用XGBoost、LightGBM、AdaBoost和加权投票算法，将所述训练集进行双层训练，输出分类预测模型的评价指标，包括：

搭建分类预测模型双层结构，第一层通过相应算法对训练集进行训练，得到第一层数据集；

第二层通过相应算法对第一层数据集进行训练，得到分类预测模型的评价指标，其中AdaBoost算法中强分类器的计算公式如下所示：

其中x是输入向量，F(x)是强分类器，f_t(x)是弱分类器，α_t是弱分类器的权重值，是一个正数，T为弱分类器的数量。弱分类器的输出值为+1或-1，分别对应于正样本和负样本。

作为优选，所述将所述分类预测模型的评价指标与对比对象进行结果分析比较，包括：

计算对比对象的评价指标；

将所述分类预测模型的评价指标与所述对比对象的评价指标进行对比，并进行结果分析比较。