近年隨著移動(dòng)設(shè)備的普及、移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展,促使了數(shù)據(jù)急速增長(zhǎng),催生了互聯(lián)網(wǎng)金融等新興行業(yè)的快速發(fā)展,在這樣的背景下,傳統(tǒng)金融行業(yè)受到了互聯(lián)網(wǎng)金融行業(yè)的劇烈沖擊。數(shù)據(jù)的急速增長(zhǎng)是一把“雙刃劍”,給企業(yè)帶了更多管理成本的同時(shí),也蘊(yùn)藏著更有價(jià)值的信息。用戶流失預(yù)測(cè)問題是銀行業(yè)務(wù)中討論最多的幾個(gè)問題之一,探索適合現(xiàn)有數(shù)據(jù)環(huán)境的用戶流失預(yù)測(cè)模型,對(duì)銀行業(yè)務(wù)的開展具有重要意義。本文在分析研究了某城市商業(yè)銀行用戶的歷史存貸、交易統(tǒng)計(jì)以及征信等信息后,進(jìn)行了數(shù)據(jù)預(yù)處理和特征選擇等工作,得到了模型的輸入特征。在104224位用戶的預(yù)測(cè)實(shí)驗(yàn)中,先使用CART分類樹和隨機(jī)森林兩種傳統(tǒng)機(jī)器學(xué)習(xí)模型進(jìn)行模擬實(shí)驗(yàn),CART分類樹的精確度為55.05%,隨機(jī)森林的精確度為63.17%,在實(shí)際生產(chǎn)中應(yīng)用價(jià)值較低。為了改善模擬效果,探索深度學(xué)習(xí)模型在此數(shù)據(jù)集的應(yīng)用,提出的四種深度學(xué)習(xí)模型實(shí)驗(yàn)結(jié)果精確度都達(dá)到了87%以上。其中將RNNs與CNNs并行方式集成的BLSTM-CNN模型,很好解決了RNNs與CNNs單獨(dú)模擬的缺陷問題,并很好解決了DLCNN模型LSTM層輸出結(jié)果在輸入到卷積層時(shí)會(huì)忽略部分局部信息的問題,實(shí)驗(yàn)...

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 銀行用戶流失預(yù)測(cè)的背景與意義
    1.2 用戶流失預(yù)測(cè)研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容及論文結(jié)構(gòu)
第2章 相關(guān)理論知識(shí)研究
    2.1 數(shù)據(jù)來源
    2.2 樣本不均衡問題研究
        2.2.1 樣本不均衡問題概述
        2.2.2 解決樣本不均衡問題的相關(guān)技術(shù)
    2.3 傳統(tǒng)機(jī)器學(xué)習(xí)方法
        2.3.1 決策樹概述
        2.3.2 隨機(jī)森林基本原理
    2.4 深度學(xué)習(xí)相關(guān)方法方法
        2.4.1 神經(jīng)網(wǎng)絡(luò)概述
        2.4.2 卷積神經(jīng)網(wǎng)絡(luò)概述
        2.4.3 雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)簡(jiǎn)介
        2.4.4 .注意力(Attention)機(jī)制基本思想
    2.5 模型的評(píng)估方法
    2.6 本章小結(jié)
第3章 數(shù)據(jù)特征構(gòu)造與CART分類樹和隨機(jī)森林的模型構(gòu)建
    3.1 用戶數(shù)據(jù)的預(yù)處理與特征構(gòu)造
        3.1.1 用戶數(shù)據(jù)的獲取與描述
        3.1.2 數(shù)據(jù)的預(yù)處理
    3.2 用戶特征的選擇
    3.3 CART分類樹、隨機(jī)森林模型特征選擇
        3.3.1 CART分類樹模型特征選擇
        3.3.2 隨機(jī)森林模型特征選擇
    3.4 CART分類樹、隨機(jī)森林實(shí)驗(yàn)結(jié)果分析
        3.4.1 基于CART分類樹實(shí)驗(yàn)結(jié)果分析
        3.4.2 基于隨機(jī)森林實(shí)驗(yàn)結(jié)果分析
    3.5 本章小結(jié)
第4章 深度學(xué)習(xí)模型在銀行流失預(yù)測(cè)中的模型構(gòu)建
    4.1 數(shù)據(jù)特征重構(gòu)
    4.2 CNNs模型的構(gòu)建
    4.3 BLSTMs模型的構(gòu)建
    4.4 DLCNN流失模型的構(gòu)建
    4.5 BLSTM-CNN流失模型的構(gòu)建
    4.6 實(shí)驗(yàn)方案設(shè)計(jì)與結(jié)果分析
        4.6.1 實(shí)驗(yàn)環(huán)境
        4.6.2 實(shí)驗(yàn)方案設(shè)計(jì)
        4.6.3 實(shí)驗(yàn)結(jié)果分析
    4.7 本章小結(jié)
第5章 基于Attention的BLSTM-CNN模型的構(gòu)建與應(yīng)用
    5.1 Attn BLSTM-CNN流失模型的構(gòu)建
    5.2 Attn BLSTM-CNN實(shí)驗(yàn)方案設(shè)計(jì)與結(jié)果分析
    5.3 Attn BLSTM-CNN模型應(yīng)用方案設(shè)計(jì)
    5.4 本章小結(jié)
第6章 總結(jié)和展望
    6.1 工作總結(jié)
    6.2 研究展望
參考文獻(xiàn)
附錄 A
附錄 B
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號(hào)：4029170