[发明专利]基于改进的CCA混合采样组合预测模型的数据分析方法

权利要求书

1.一种基于改进的CCA混合采样组合预测模型的数据分析方法，其特征在于，包括：实时获取客户的数据信息，对获取的数据信息进行预处理；将预处理后的数据信息输入到改进的CCA混合采样组预测模型中，预测该客户是否存在流失风险，不存在流失风险，则保存该客户信息，存在流失风险，则根据客户信息制定挽留策略；

对改进的CCA混合采样组预测模型进行训练的过程包括：

S1：获取客户数据集，并对客户数据集进行预处理，得到子集；

S2：采用构造性覆盖算法CCA对子集中的数据进行处理，得到少数类覆盖样本集和多数类覆盖样本集；

S3：采用单样本覆盖策略对少数类覆盖样本集中样本进行筛选，得到第一关键覆盖样本，采用样本密度阈值策略对少数类覆盖样本集中的样本进行筛选，得到第二关键覆盖样本；

S4：采用SMOTE算法分别对第一关键覆盖样本和第二关键覆盖样本进行处理，得到第一少数类样本子集和第二少数类样本子集；

S5：计算多数类覆盖样本集中每个覆盖的采样数，根据每个覆盖的采样数采用样本多样性策略和样本密度峰值策略对多数类覆盖样本集中的样本进行筛选，得到第一多数类样本子集和第二多数类样本子集；

S6：将少数样本子集和多数类样本子集进行组合，得到四组平衡样本集；

S7：将四组平衡样本集中的数据分别输入到逻辑回归模型中，采用网格搜索法调参，当模型的auc取得最大值时，完成模型训练；

S8：将预测样本带入训练好的四个模型得到四组预测结果，将四组预测结果求并集，得到最终预测结果。

2.根据权利要求1所述的一种基于改进的CCA混合采样组合预测模型的数据分析方法，其特征在于，对客户数据集进行预处理的过程包括：采用均值填充和3δ原则方法对获取的客户数据集中的数据进行清洗；采用one-hot编码和Z-score方法分别对清洗后的离散型变量和连续型变量进行数据转换处理；根据转换后的数据构建用户数据特征；采用Lasso回归方法对构建的数据特征进行提取，得到流失数据特征，将流失数据特征作为子集。

3.根据权利要求2所述的一种基于改进的CCA混合采样组合预测模型的数据分析方法，其特征在于，采用one-hot编码和Z-score方法分别对清洗后的离散型变量和连续型变量进行数据转换处理的过程包括：

对于离散型变量，确定每一个变量的可能值；根据可能值采用one-hot编码方法对每个特征进行编码处理，得到二元特征，得到的所有二元特征两两互斥；

对于连续型变量，为解决特征间量纲不同问题，使用Z-score方法将不同量级的特征数据转化为统一量度的Z-score分值，处理后的特征数据均值为0，方差为1。

4.根据权利要求2所述的一种基于改进的CCA混合采样组合预测模型的数据分析方法，其特征在于，采用Lasso回归方法对构建的数据特征进行提取的过程包括：将数据(X_i,y_i),i＝1,2,…,N输入到回归系数方程中，得到回归系数值，不断调整回归系数方程中的参数t的值，得到多组回归系数值β_j(t)(j＝1,2,…,p)；绘制回归系数值随参数t值的变化趋势，取趋势变得稳定时t值对应的β_j(t)值，根据选取的回归系数值建立到Lasso回归方程，采用Lasso回归方程提取流失数据特征；其中X_i表示第i个样本点的特征向量，y_i表示第i个样本点的流失类别，N表示样本点总数，t表示一个范围为[0,1]的随机参数，p表示特征维数。

5.根据权利要求4所述的一种基于改进的CCA混合采样组合预测模型的数据分析方法，其特征在于，建立的Lasso回归方程为：

y^lasso＝β₀+β₁x₁+β₂x₂+…+β_kx_k

其中，β_k表示筛选出的第k个回归系数，x_k表示样本的第k维特征向量。