二分类场景下高度关联的模糊流失模式的可解释性
机器学习
2024-10-22 v1
摘要
客户流失，特别是电信行业，影响成本与利润。随着模型可解释性日益重要，本研究不仅强调通过机器学习模型实现客户流失的可解释性，还强调识别多变量模式并设定软边界以获得直观解释的重要性。主要目标是使用机器学习模型和模糊集合理论结合 top-\textit{k} HUIM，以识别客户流失的高度关联模式并进行直观识别，称为高度关联的模糊流失模式 (HAFCP)。此外，该方法有助于发现多个特征在低、中、高分布范围内的关联规则。这些发现对于增强发现的可解释性至关重要。实验表明，当 top-5 HAFCP 被纳入五个数据集时，观察到表现结果的混合，其中一些显示出显著的改进。可以看出，高重要性特征通过其分布及其与其他特征相关的模式，能够提升解释力。结果，该研究提出了一种创新方法，提高了客户流失预测模型的可解释性与有效性。
引用
@article{arxiv.2410.15827,
title = {Explainability of Highly Associated Fuzzy Churn Patterns in Binary Classification},
author = {D. Y. C. Wang and Lars Arne Jordanger and Jerry Chun-Wei Lin},
journal= {arXiv preprint arXiv:2410.15827},
year = {2024}
}
备注
18 pages single columns, 4 figures, This paper is an extended version of a work originally presented at the 6th International Workshop on Utility-Driven Mining and Learning (held in conjunction with the 28th Pacific-Asia Conference on Knowledge Discovery and Data Mining - PAKDD 2024) on May 7, 2024