人工智能算法在电信运营商用户信用评级中的应用研究
发布时间：2020-06-02 04:24
【摘要】：随着我国市场经济进入高质量发展阶段,信用体系的建设成为一种必然趋势。无论是机构、企业还是个人,信用在生产经营和日常生活中的作用愈发重要。如今互联网经济的不断发展,信用衍生品层出不穷,P2P、网络购物平台等互联网公司推出纷繁复杂的信用消费产品。但由于新兴平台尚处于扩大用户规模的初步阶段,信用风险成为公司发展的关键问题。而“互联网+”模式的兴起不仅使三大电信运营商之间的竞争白热化,且使一些互联网公司也加入到竞争行列。为了争取更多的用户资源,电信运营商不得不降低入网门槛,但该行为导致用户欠费转网现象频繁发生,也是公司造成亏损的重要原因。如此可见,信用风险问题的研究和解决迫在眉睫。近几年,人工智能技术在多个领域应用广泛,同时它也为大数据问题的研究提供了新的解决方案。电信运营商拥有天然的用户规模优势,其数据具有场景来源广、实时性强、真实可靠、覆盖的面广等特点,为人工智能算法在信用风险评级方面的问题解决提供了数据支持。因此,人工智能算法也为解决电信运营商用户信用评级的问题带来新方案。本文首先简单介绍了电信运营商用户信用评级问题的研究背景、研究意义、国内外研究现状、研究目的、创新点、研究方法和论文结构。其次,详细论述了人工智能算法的基本概念、模型的基本原理及其优缺点。接着,以江苏省某市的电信运营商用户的数据为例进行数据处理、变量筛选等工作,并分别采用逻辑回归模型、支持向量机模型、多层感知器模型、决策树模型、随机森林模型、XGBoost模型以及模型融合进行拟合,选择准确率、宏查准率、宏查全率、宏F1、ROC曲线和AUC值等指标对上述模型的拟合结果进行评价和对比。最后,依据实证研究的结果,对电信运营商用户信用评级问题进行总结和展望。通过对包含用户的身份特征、行为特征、消费能力、社交关系和信用历史等多维度的数据进行建模,对比模型实证结果得出:基于XGBoost和逻辑回归的Stacking模型融合在解决电信运营商用户的信用评级问题中比使用单一模型具有更好的效果。从测试集的表现来看,采用该模型融合不仅能够区分出一定比例的信用等级用户,并且还能避免过度将正常信用等级用户错分的情况。同时,该模型融合中包含交叉验证,可以有效防止模型过拟合,结果更具有一般性。因此,通过研究认为该模型融合可以有效辅助电信运营商及时预测和识别出不同信用等级的用户,减少公司的损失,并能够为不同信用等级的用户提供个性化的服务,提升用户的满意程度。
【图文】：
随机森林模型是集成学习理论中非常著名的算法。它把决策树作为基学习器，，逡逑构建Ｂａｇｇｉｎｇ集成算法，并在决策树的训练过程中引入随机特征选择。具体的流逡逑程如图２－２。逡逑ｂｗｌｓｔｒａｐ邋抽样逡逑逦邋＼邋逦逡逑%煎危危翦
本文编号：2692603
【图文】：
随机森林模型是集成学习理论中非常著名的算法。它把决策树作为基学习器，，逡逑构建Ｂａｇｇｉｎｇ集成算法，并在决策树的训练过程中引入随机特征选择。具体的流逡逑程如图２－２。逡逑ｂｗｌｓｔｒａｐ邋抽样逡逑逦邋＼邋逦逡逑%煎危危翦
本文编号：2692603
本文链接：https://www.wllwen.com/guanlilunwen/sjfx/2692603.html
