K 近鄰、BP 神經網路、支援向量機、 決策樹、隨機森林和梯度提升演算法在資料分類方面的統計應用

呂    浩

doi:10.63944/c59ishss

K 近鄰、BP 神經網路、支援向量機、決策樹、隨機森林和梯度提升演算法在資料分類方面的統計應用

呂浩 (作者)

廣東第二師範學院數學學院

DOI：https://doi.org/10.63944/c59ishss

关键词：

K 近鄰模型；BP 神經網路模型；支援向量機模型；決策樹模型；隨機森林模型；極端梯度提升模型

已出版

2025-06-20

摘要

網路已經滲透了我們的日常生活當中，同時，IT、金融等各種網路產業也在不斷地崛起，而網路金融行業的發展是最突出的。人們的生活都離不開金融，因此，網路金融業已經成為了一種潮流。相對于傳統銀行業來說，網路金融最大的優點就是它的便利，因此，網路金融的出現讓傳統銀行陷入了顧客流失的窘境。

在本文中，通過使用六種機器學習的方法，同時基於歐洲某一銀行客戶資訊資料，對銀行客戶進行預測和分類客戶流失情況。我們對該銀行客戶資訊資料進行初步描述性統計和視覺化分析，隨後根據資料分析的情況進行資料清洗、處理和類型的轉換。利用處理後的資料建立 K 近鄰模型、BP 神經網路模型、支援向量模型、決策樹模型、隨機森林模型和極端梯度提升模型，分析和評價這些模型，比較它們的評價指標，從而選取預測分類客戶流失情況的最優模型。利用接受者操作特徵曲線下的面積指標、Kappa 係數、精確率、召回率、F1 值、準確率這些評價指標對模型進行比較，根據比較的結果得出最優的預測分類模型。

在對顧客資料進行分析的基礎上，利用優化的模型對客戶進行預警，並對客戶進行歸類，以提高銀行的競爭力和影響力為目的，為銀行準確地對目標客戶進行定位，並向銀行提出有針對性的客戶策略。

参考文献