精准3升4G换机模型

文/王振 陈天池

1 引言

随着通信技术的发展，4G业务的拓展，改善了未来移动用户质态，然而现在非4G用户升4G的速率趋于平缓，接近饱和，从而挖掘潜在非4G换机用户具有重要意义，能够实现整体市场的4G终端的迁转、渗透。如何细化非4G用户升4G场景，利用大数据手段精准挖掘潜在非4G目标换机用户，拓展4G业务，同时统筹各业务场景对非4G用户、4G用户价值的发展变化，实现非4G潜在目标用户换机的精准挖掘。

2 算法说明

此文基于新业务场景、及模型算法优缺点等，利用随机森林算法对模型算法进行优化。Random Forest(随机森林)是基于众多决策树、构建集成的Bagging集成学习器，同时在训练过程中引入随机特征,改进了决策树算法，即将多个决策树合并在一起，且分别依赖独立的抽取样本集，每棵树具有相同分布。特征选择采用随机方法分裂每个节点，比较不同情况下误差。通过检测内在估计误差、分类能力，决定特征的选取数目。随机产生大量决策树后，测试样品通过每棵树的分类结果经统计后选择最可能的分类结果，包括：

（1）随机样本数据选择（放回抽样）。

（2）随机特征选择。

（3）构建决策树。

（4）随机森林投票（平均）。

其中样本数据的随机选择、待选样本特征的选择更能体现其优势，前者包括放回抽样，构建子数据集；根据子数据集、构建子决策树、输出子结果，通过新输入数据对子决策树的判断结果投票，获得整个输出结果。如图 1所示。

图1：随机森林算法流程图

图2：模型流程图

其中随机特征选择即在树的构建中，首先从样本集特征中随机选择部分特征，然后再从此子集中选择最优特征用于划分，此随机性导致随机森林的偏差会有稍微的增加（相比于单棵树），提升了算法多样性，但由于随机森林的平均特性，使得方差减小，模型具有更好效果。随机森林通常基于Gini准则进行分裂节点纯度度量，过程如下：

（1）假设原始训练集为N，用bootstrap法有放回随机抽取k个新样本集，构建k棵分类树，每次未被抽到的样本组成k个袋外数据。

（2）设有m个变量，则每一棵树的每个节点处随机抽取n个变量，然后在n中选取一个最具分类能力的变量，阈值通过检查每一个分类点确定。

（3）每棵树最大限度地生长, 不做任何修剪。

将生成的多棵分类树组成随机森林，用随机森林分类器对新的数据进行判别、分类，分类结果按投票多少而定，达到预测、分类目的。相比决策树算法，它是决策树算法的升级、集成，优点如下：

（1）可以并行计算、效率高；

（2）既可处理离散型数据，也可处理连续型数据，无需规范化；

（3）不易产生过拟合，抗噪能力好。

3 模型流程

3.1 业务理解

目前存量3G终端升级为4G时，往往需进行相关终端、套餐等多种升级,不同的产品升级组合对于用户的价值变化都会产生不同影响，需统筹考虑、加以引导，有效提升4G业务量，机卡匹配率，达到如下期望目标：

（1）准确定位3G升4G目标用户。

（2）估算潜在换机的目标用户数，把握市场发展动态。

（3）完成精准换机建模思路、模型设计开发。

利用已有3G升4G换机模型，充分考虑前模型的优缺点，且结合最新的业务场景，优化、丰富数据源特征标签、精细数据预处理、优化模型算法，提升模型性能。整个优化后模型框架包括业务理解、模型输入、模型算法、模型输出及模型应用等部分。如图2所示。

3.2 模型参数输入

建模中，如何获取高质量数据源，对提高模型质量、预测效果有重要影响，决定模型好坏，因此在选取数据源特征标签时，要充分考虑所选特征标签数据对模型的贡献度。

已有模型选取特征标签时，仅仅考虑用户所用终端的一些基本终端信息、所选套餐信息、相关补贴信息等，数据源特征标签有待进一步优化、丰富。随着终端设备性能的提高，使用方式变得多样性，产生一些新的特征标签来刻画用户的使用行为。首先现在用户对于手机终端的使用不仅仅局限于传统的通话、语音、短信等，更多是通过它，满足一些兴趣偏好，例如视频、直播、游戏、购物等互联网偏好；其次人们在考虑更换手机终端时，通常基于性能已不能很好满足自己的使用需求了，包括存储性能、内存性能等硬件指标；最后随着用户的换机频率、更新频率加快，需考虑终端的使用周期，即终端使用天数，终端的平均使用天数等。基于上述考虑，需针对已有数据源特征标签进行完善、优化利用优化的特征标签数据，作为模型输入。由于数据源获取中，常常含有噪声、不完整，甚至不一致的数据，需进行相关预处理，提高数据质量，主要包括：数据变量转换、缺失值处理、坏数据处理、数据归一化等数据预处理后，进入整个模型的核心，即算法部分。综合考虑，我们采用上面已详细介绍的随机森林算法。数据预处理后，并不是所有的特征标签字段都作为模型训练的输入，将利用随机森林特征重要度对数据源众多特征标签进行关联性、重要性排序，选取重要性靠前、贡献度大的特征标签作为模型输入，继而提高模型训练的效果。

以概率的形式给出，例如原始价值量、视频偏好、购物偏好、总流量对模型的贡献度较高，均超过10%，其次游戏偏好、套餐流量赠送量均超过5%，从而选取重要性靠前的若干Top特征标签作为模型输入，少用或舍弃重要性靠后的特征标签。

3.3 模型算法

基于现有各分类算法的特点，采用随机森林算法作为模型算法、进行目标用户预测，整个随机森林算法的伪代码如下所示：

(1) For b=1 to B：

(a) Draw a bootstrap sample Z*of size N from the training data.

(b) Grow a random_forest tree Tbto the bootstrapped data by cursively repeating the following steps for each terminal node of the tree, until the minimum node size nminis reached.

i. Select m variable at random from the pvariables.

ii. Pick the best variable/ split-point among the m

iii. Split the node into two daughter nodes.

(2) Output the ensemble of trees

To make a prediction at a new point x:

整个过程包括数据选择、模型训练、模型验证、模型测试、模型调优等部分，采用沙箱模式，整个算法及常见算法包已封装，重点关注于数据源、特征标签选取、模型参数调优等，其中这里三个主要参数需调优：

（1）结点规模：随机森林不像决策树，每一棵树叶结点所包含的观察样本数量可能较少，即生成树时，尽可能保持小偏差。

（2）树的数量：根据实践，往往根据实际情况，选择相适应的树的规模。

（3）预测器采样数：一般来说，如果我们一共有D个预测器，那么我们可以在回归任务中使用D/3个预测器数作为采样数，在分类任务中使用D^(1/2)个预测器作为抽样。

3.4 模型评价

模型训练、固化完毕，如何评价模型性能，现有一系列模型评价指标对其进行评判，包括准确率、召回率、F1-Score值，平滑曲线、混淆矩阵等。所谓混淆矩阵即用矩阵中真实的与预测的因变量1的变化，来直观观察模型的质量。通常以关注类为正类，其他类为负类，分类器在测试集上进行正确与否的预测，4种情况总数分别记作：Tp—将正类预测为正类、Fn—将正类预测为负类、Fp—将负类预测为正类、Tn—将负类预测为负类。

从而可得出模型另外的一系列评价指标，准确率p、召回率R、F1-Score值分别定义如下：

下面为特征标签优化前后，模型混淆矩阵的优劣程度对比，从而得出特征标签、算法优化后模型的准确率、召回率、F1值分别为80%、26%、19.7%，具有明显提高。

由于正负样本比例问题、模型参数的优化等综合考虑，我们采用正负样本比例1：5的进行模型固化，全量预测4月3G用户在未来5、6、7三个月换机情况，818076万总量目标用户7月换机情况，如下表3.5所示，预测的换机目标用户数为13220，进一步查看8月真实3G换4G成功的用户为2258，真实换机成功率为17%左右，模型优化明显。

相比已有模型，模型质量、效果有所提高，但也存在着不足，具有进一步提升空间，将来将基于下面内容对模型进一步优化：

（1）目前特征标签仅基于终端基本信息、互联网偏好、补贴基本信息，套餐使用情况等方面进行优化，尚有不足，后期可以基于时间跨度等方面构造新的特征标签。

（2）数据源正负样本比例近1:6.3，虽采用了采样方式来规避样本不均衡问题，但也存在诸多弊端，如何平衡正负样本比例，是后期优化的一个方向。

（3）此次模型采用了随机森林算法，后期可以考虑算法融合、或引入新算法，对模型进一步优化。

4 总结

综上所述，分析已有模型的优劣，进行相应处理，包括数据源特征标签优化、数据源预处理、模型算法的选择、模型参数优化等方面，提升模型效果，提高目标用户换机成功率。此过程中，我们通过大数据、数据挖掘手段精准挖掘潜在的非4G换机目标用户，并分析潜在目标用户的终端偏好、渠道触点偏好、终端信息偏好、互联网兴趣偏好、套餐业务偏好等，针对性开展终端推介和渠道引导，指导用户换机、提升潜在目标用户换机成功率，拓展业务，达到智慧营销目的。