基于迁移学习与元分类的电信行业深度流失预测系统
机器学习
2019-03-06 v2 机器学习
摘要
流失预测系统引导电信服务提供商减少收入损失。然而，为电信行业开发流失预测系统是一项具有挑战性的任务，主要由于数据规模大、特征维度高以及数据分布不平衡。在本文中，我们利用迁移学习（TL）与基于集成的元分类的概念，提出了一种针对流失预测固有问题的解决方案。所提方法TL-DeepE分两个阶段应用。第一阶段通过微调多个预训练的深度卷积神经网络（CNNs）来采用TL。电信数据集通常为向量形式，被转换为2D图像，因为深度CNNs对图像具有高的学习能力。第二阶段，这些深度CNNs的预测被附加到原始特征向量上，从而用于构建供高层遗传编程（GP）和AdaBoost集成分类器使用的最终特征向量。因此，实验使用多种CNNs作为基分类器、GP-AdaBoost作为元分类器进行。通过10折交叉验证，所提TL-DeepE系统的性能在两个标准电信数据集Orange和Cell2cell上与现有技术进行比较。在Orange和Cell2cell数据集上进行的实验获得的预测准确率分别为75.4%和68.2%，而曲线下面积分别为0.83和0.74。
引用
@article{arxiv.1901.06091,
title = {Transfer Learning and Meta Classification Based Deep Churn Prediction System for Telecom Industry},
author = {Uzair Ahmed and Asifullah Khan and Saddam Hussain Khan and Abdul Basit and Irfan Ul Haq and Yeon Soo Lee},
journal= {arXiv preprint arXiv:1901.06091},
year = {2019}
}
备注
Number of Pages: 10 Number of Figures:4 Number of Tables: 4