WSDMFeb, 2018

极端梯度提升与时间数据预测客户流失

PDF
TL;DR利用极限梯度提升（XGBoost）算法，通过处理时间敏感的特征工程，提升了基于多种时间窗口训练和测试的客户数据集合的客户流失预测模型的准确性，同时在 WSDM Cup 2018 Churn Challenge 比赛中获得了第一名。
customer churntime-series dataextreme gradient boostingtemporal feature engineeringwsdm cup
发现论文，激发创造
  • 大规模用户产品互动时序的早期流失预测

    本论文通过使用历史数据进行用户流失预测的详尽研究，旨在创建模型预测客户流失概率，帮助企业了解流失趋势并制定有效的留存计划。我们的方法将流失预测视为多变量时间序列分类问题，并展示在复杂的商业与客户背景中，结合用户活动和深度神经网络可实现出色的流失预测结果。

    Sep, 2023

  • 混合梯度提升树和神经网络预测手术室数据

    本文基于长短时记忆网络 (LSTM) 和梯度提升树 (XGB) 对电子病历数据进行特征学习和预测，我们利用 LSTM 对长期依赖进行建模，将这些特征加入到 XGB 模型中，使其获得显著提高的性能。

    Jan, 2018

  • 时间序列预测是否真的需要深度学习模型？

    本文介绍了一种基于时间序列的深度学习方法及其与传统机器学习方法的比较结果，结果表明，输入变换可以提高传统 GBRT 模型的性能，使其优于所有评估的最新 DNN 模型。

    Jan, 2021

  • 使用深度学习分析客户流失的因果关系

    使用深度前馈神经网络和因果贝叶斯网络框架进行顾客流失预测，并通过测试数据的评估度量验证了该模型的优越性。同时，文中还提出了客户超额保证金交纳水平、账户增长和客户任期等独立因果变量可能会成为顾客流失的混淆因素。

    Apr, 2023

  • 使用深度卷积神经网络和自编码器进行流失分析

    使用卷积神经网络对超过 6 百万个客户的行为数据进行图像化，以预测客户流失，并使用监督学习和无监督学习方法，通过最大化激活潜在单位来了解客户流失的原因，从而提出预防客户流失的解决方法。

    Apr, 2016

  • 利用外生变量和机器学习算法进行短期股票价格预测

    追溯 2020 年 3 月至 2022 年 5 月的短期内，该研究比较了四种机器学习模型在预测纽约证券交易所三支知名股票的准确性，并发现 XGBoost 模型虽然运行时间较长（最多 10 秒），但提供了最高的准确性。

    May, 2023

  • 分位极值梯度提升用于不确定性量化

    本研究通过对 Extreme Gradient Boosting (XGBoost) 的改进，使用修正后的分位数回归作为目标函数以估计不确定性 (QXGBoost)，并将其应用于预测间隔的创建，并将其应用于一个模拟数据集和一个实际环境数据集中的测量交通噪声，结果表明该方法在预测间隔方面的整体性能要优于其他基于覆盖范围准则的模型。

    Apr, 2023

  • 在零售领域中使用梯度提升树进行可扩展的概率预测：实践者的方法

    对于规模更大的电子商务公司的预测挑战，在较少的系列和间歇性数据的聚合级别上进行自顶向下的预测，并进行分解以获取决策级别的预测，通过分布假设产生概率预测，并使用子样本进行直接训练的可扩展方法。

    Nov, 2023

  • 金融机构中受限高维度特征空间效应提升流失因果分析

    研究提出了一个概念性框架，通过组合不同的算法来解决大规模高维金融数据中客户流失问题。研究评估了不同算法的性能表现，并确定了一些独立和混淆变量对客户流失的影响和可能原因。

    Apr, 2023

  • 利用机器学习方法预测悉尼大都市区交通事件的持续时间

    本研究提出了一种全面的方法来预测悉尼大都市区交通事故的持续时间，并将其分类为短期或长期。我们利用包含交通事故详细记录、道路网络特征和社会经济指标的数据集，通过训练和评估包括 Gradient Boosted Decision Trees (GBDT)、Random Forest、LightGBM 和 XGBoost 在内的各种先进机器学习模型。我们的实验结果表明，XGBoost 和 LightGBM 在预测持续时间和分类方面优于传统模型。提出的方法不仅能够实现高度的预测准确性，还能为利益相关者提供有关影响事故持续时间因素的重要见解，从而为交通管理和响应策略提供更明智的决策。

    Jun, 2024