目前,機(jī)器學(xué)習(xí)模型在多方面取得了很好的成果,為各行各業(yè)提供了解決問(wèn)題的有效辦法。在金融領(lǐng)域,機(jī)器學(xué)習(xí)因其優(yōu)異表現(xiàn)已經(jīng)得到眾多學(xué)者的關(guān)注,但是對(duì)于結(jié)構(gòu)過(guò)于復(fù)雜的模型,卻很難解釋模型決策背后的邏輯,僅能得到模型預(yù)測(cè)結(jié)果,使得模型成為黑盒模型,嚴(yán)重阻礙了機(jī)器學(xué)習(xí)在金融領(lǐng)域的應(yīng)用�；诖吮尘跋�,本文以金融領(lǐng)域中的銀行業(yè)務(wù)為例,建立銀行客戶流失預(yù)警模型,旨在有效識(shí)別銀行潛在流失客戶,并通過(guò)模型可解釋性分析,挖掘出模型決策背后的有效信息,為防止客戶流失提供數(shù)據(jù)參考與建議。首先根據(jù)原始數(shù)據(jù)特點(diǎn)進(jìn)行數(shù)據(jù)清洗,主要包括缺失值處理以及重復(fù)樣本處理。之后先通過(guò)特征粗篩去除只起到標(biāo)記作用以及無(wú)統(tǒng)計(jì)意義的特征,再利用Lasso CV與皮爾遜相關(guān)系數(shù)法進(jìn)行特征選擇,進(jìn)一步提升數(shù)據(jù)質(zhì)量。同時(shí)銀行數(shù)據(jù)還存在嚴(yán)重的不平衡性,使用BORDERLINE-SMOTE算法使得訓(xùn)練集平衡。接下來(lái)進(jìn)行建模前的數(shù)據(jù)挖掘工作,包括可視化數(shù)據(jù)的分布情況、特征自身的規(guī)律、特征與研究目標(biāo)的規(guī)律。在建模與模型解釋方面分為兩部分,第一部分首先建立了LR、隨機(jī)森林、XGboost、light GBM,四種自身可解釋的模型,對(duì)四種模型的結(jié)果利用AC...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1技術(shù)路線圖

華中農(nóng)業(yè)大學(xué)2022屆碩士研究生學(xué)位（畢業(yè)）論文81.5技術(shù)路線圖1-1技術(shù)路線圖Fig.1-1TechnologyRoadmap

圖2-1決策樹(shù)生成圖

華中農(nóng)業(yè)大學(xué)2022屆碩士研究生學(xué)位（畢業(yè)）論文102.1.2決策樹(shù)決策樹(shù)是經(jīng)典的分類算法，許多算法是基于決策樹(shù)建立的，它表示特征與值的一種映射關(guān)系。如圖2.1決策樹(shù)生成圖。圖2-1決策樹(shù)生成圖Fig2-1ThedecisiontreegenerationgraphinFig樹(shù)中....

圖2-2隨機(jī)森林模型

華中農(nóng)業(yè)大學(xué)2022屆碩士研究生學(xué)位（畢業(yè)）論文12多數(shù)。為什么希望基學(xué)習(xí)器之間要有差別呢，我們考慮一種極端的情況，如果現(xiàn)在多個(gè)基學(xué)習(xí)器是同一個(gè)，那么無(wú)論單個(gè)基學(xué)習(xí)器效果多么好，得到的結(jié)果也是與一個(gè)基學(xué)習(xí)器相同的，失去了集成的意義，因此我們要保證基學(xué)習(xí)器的多樣性。集成學(xué)習(xí)可分為兩....

圖2-3按葉子生長(zhǎng)的決策樹(shù)

華中農(nóng)業(yè)大學(xué)2022屆碩士研究生學(xué)位（畢業(yè)）論文16圖2-3按葉子生長(zhǎng)的決策樹(shù)Fig.2-3Decisiontreebyleaf(4)單邊梯度采樣算法lightGBM引入單邊梯度采樣算法，計(jì)算所有樣本的梯度，利用梯度大的樣本進(jìn)行訓(xùn)練，從而使得在數(shù)據(jù)量減少的同時(shí)也盡可能地保證算法精....

本文編號(hào)：3932394