[發明專利]一種目標客戶預測方法、裝置及存儲介質

在審

• 申請號: 202011409252.1
• 申請日: 2020-12-04
• 公開（公告）號: CN112561568A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 秦思佳
• 申請（專利權）人: 中國農業銀行股份有限公司深圳市分行
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06F16/2458;G06K9/62;G06N20/20
• 代理公司: 廣東廣和律師事務所 44298
• 代理人: 董紅海

1.一種目標客戶預測方法，其特征在于：

步驟1.1選取優質客戶的歷史數據，對選取的歷史數據進行數據預處理生成第一訓練集；

步驟1.2將數據預處理完成的第一訓練集輸入到XGBoot模型中對XGBoot模型進行訓練，經過多輪迭代，獲得最優XGBoot模型和對應XGBoot模型的最優參數；

步驟1.3根據步驟1.2訓練，提取重要變量做預測變量；

步驟1.4根據步驟1.2訓練，將訓練集中的預測變量輸入到訓練獲得的最優XGBoot模型,由最優XGBoot模型輸出客戶標簽；

步驟1.5根據步驟1.4的結果提取預測分數作為目標變量；

步驟1.6將步驟1.3獲得的預測變量和步驟1.5獲得的目標變量進行拼接，拼接成新的第二訓練集；

步驟1.7用第二訓練集訓練GBDT模型，訓練獲得預測GBDT模型；

步驟1.8待預測客戶觀察期的特征輸入到預測GBDT模型，獲得待預測客戶的目標客戶概率。

2.根據權利要求1所述的目標客戶預測方法，其特征在于，所述XGBoot模型進行訓練，根據如下方法進行：選擇決策樹作為弱學習器；每次訓練只訓練一個弱學習器，提高在前一個弱學習器分錯的類的訓練數據的數據權重后輸入到后一個弱學習器中進行學習，采用后一個弱學習器來糾正前一個弱學習器的殘差，知道殘差達到預先設置的范圍；最后將訓練生成的多個弱學習器加權求和，獲得最優學習器，用于待預測客戶的預測。

3.根據權利要求2所述的目標客戶預測方法，其特征在于，所述的決策樹具體為：

其中：x是輸入向量，q表示樹的結構，結構函數q(x)表示把輸入映射到葉子的索引號,ω表示對應于每個索引號的葉子的分數，T是樹中葉節點的數量，d為特征維數；

一共由K顆決策樹生成K個弱學習器，K顆決策樹的集合的輸出為：

單顆決策樹的復雜度表示為：

集成樹的復雜度表示為：

T是葉節點的數目，γ是范圍在0和1之間的學習速率。γ乘以T等于生成樹修剪，防止過度擬合；λ是一個正規化參數，ω是葉子的質量；

Ω(f_k)是XGBoost算法的正則項，目標函數的第t步的迭代為：

第一部分代表真實值y_i和預測值函數，L為誤差函數；第二部分代表單顆決策樹的復雜度之和；已知：其中f_t(x_i)為第t輪需要學習的決策樹，則目標函數可轉化為：

4.一種實現目標客戶預測方法的裝置，其特征在于采用了如權利要求1至3任意一項所述的實現目標客戶預測方法。

5.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序當被處理器執行時使所述處理器執行如權利要求1至3任一項所述的實現目標客戶預測方法。