陈 静 余建波 李艳冰

（1.同济大学 机械与能源工程学院 上海201804；2.上海质量管理科学研究院 上海200052）

近年来用户流失预测问题在学术界引起了广泛关注, 范围涉及 MOOC 平台、社交平台、电信等多个领域。它是结合用户的历史数据，对其进行建模，从而训练出能判别用户是否流失的分类器，是一个常见的二分类问题[1]。 流失用户在传统意义是指曾经某时间段内使用过某产品或服务，后期由于种种原因退订该产品或服务。对于流失用户的定义依行业不同而不同，APP领域以用户一定时期内不再登录、卸载软件且不再二次安装以及选择其他同类APP为标准界定流失用户[2]，而商业银行用户流失是指终结与商业银行所有业务往来的情形，包括交易锐减、停止交易或者清户[3]。

1 数据预处理与特征工程

1.1 数据预处理

1.1.1 数据清洗

对数据集进行分析发现，无重复值，而对于缺失值和异常值，考虑银行数据的敏感性本文未进行处理，对无关字段用户ID进行了删除。

1.1.2 数据转换

通过数据观察可以了解到，性别、家庭住址和电话信息为字符型变量，本文采用LabelEncoder编码，将文本数据转换成连续的数值型变量，即对不连续的数字或者文本进行编号。如表1所示。

表1 字符型变量编码

1.2 数据不平衡问题处理

数据不平衡，又称样本比例失衡，以二分类问题为例，假设正类的样本数量远大于负类的样本数量，即称为不平衡数据集。正类的样本数量如图 1所示。

图1 正负样本数量

由图1可知，本文数据集的正负样本比例接近10：1，采用SMOTE合成少数类过采样技术，其基本原理是利用自助法和K近邻法，基于特征空间生成与少数类相似的新数据，来降低分类器的误差。……