中科大机器学习与知识发现课程实验报告.docx

发布时间：2022-06-09 发布人：admin 分类：说明书资料大小：0.75M 资料格式：docx 举报版权申诉

rylyee-11687755-4744302543323079130.docx.pdf-第1页.png

第1页 / 共10页

rylyee-11687755-4744302543323079130.docx.pdf-第2页.png

第2页 / 共10页

rylyee-11687755-4744302543323079130.docx.pdf-第3页.png

第3页 / 共10页

rylyee-11687755-4744302543323079130.docx.pdf-第4页.png

第4页 / 共10页

rylyee-11687755-4744302543323079130.docx.pdf-第5页.png

第5页 / 共10页

rylyee-11687755-4744302543323079130.docx.pdf-第6页.png

第6页 / 共10页

rylyee-11687755-4744302543323079130.docx.pdf-第7页.png

第7页 / 共10页

rylyee-11687755-4744302543323079130.docx.pdf-第8页.png

第8页 / 共10页

文本预览

中国科学技术大学 UNIVERSITY OF SCIENCE AND TECHNOLOGY OF CHINA 机器学习与知识发现课程实验报告题目：面向电信行业存量用户的智能套餐个性化匹配模型组员：组内人员分工一．实验任务目标利用已有的用户属性（如个人基本信息，用户画像信息等），业务属性，消费习惯及偏好，预测最适合用户的套餐类型。二．数据分析这是数据处理的第一步，在没有做任何预处理的情况下，利用第三方库对原始数据集中各个特征分布进行可视化,这样做的目的主要是看一下原始各个特征的分布情况。

1.单变量数据分析上图是对 current_service 进行统计分析后的结果，可以看到此问题是一个多分类的问题，共有 11 种套餐，并且分布不均匀。上图是对 net_service 的统计分析结果，可以发现绝大多数都属于 4 类

上图是对 service_type 的统计分析结果，显然该变量是一个二分类的变量，且数据分布相对比较均匀上图是对性别统计分析的结果，由图可知，男女的数量并不接近，并且存在

一些异常值，需要在数据清洗的时候进行处理。上图是对年龄数据进行的统计分析结果，容易发现，上图所示的分布结果符合电信用户群体的分布。同时上图也说明数据集中的年龄数据存在很多的 0 岁异常值。上图为 online_time 的统计分析结果，主要集中在 0 到 100 之间，比较符合实际情况，但是在 130 的位置出现了部分异常数值。 2．多变量数据分析

上图为 online_time 和 service_type 的联合变量分析结果，容易发现 service_type 为 1 的 online_time 集中在比较小的区间，service_type 为 4 的 online_time 分布更加均匀上图为 net_service 和 online_time 的联合变量分布 , 由图可知四种 netservice 的 online_time 分布不尽相同。上图为 online_time 和 is_promise_low_consume 的联合变量分析结果，由于 is_promise_low_consume 的分布很不均匀，所以上图的 count 结果差异

很大，但是横向对比发现，is_promise_low_consume 对 online_time 影响不大。上图为 online_time, is_mix_service 和 contract_time 的统计分析图。 Online_time 和 contract_time 具有较强的相关性。

上图为变量相关矩阵图，表示变量间的相关性，相关性越大，上图矩形块的颜色越浅。三．数据清洗根据官方提供的数据说明可知，属性分为 NUMBER 与 VARCHAR2 两种。首先对于 NUMBER 数据，清洗数据中包含的非数值型数据： 1. 对于 gender 属性，将’\\N’替换成数值 0，并且对格式不一的数字进行转换 2. 对于 age, 1_total_fee, 2_total_fee, 3_total_fee, 4_total_fee 属性，将’\\N’替换成-1 3. 对于 pay_num 以及 pay_times 属性，分别将’\\N’转换为 0 和 1，并且将数据类型转化为浮点型 4. 将 user_id 属性从数据集中删除对于 VARCHAR2 数据类型，为了方便之后的模型计算，因此需要将字符串类型映射为数值型四．特征生成 1. 考虑每月出账金额，可以通过当前月与前一个月的出账金额的差值计算出用户通话消费的变化

2. 根据数据集提供的多个月的出账金额，可以计算出已知月份中出账金额的最大值、最小值以及平均值 3. 根据套外主叫通话时长 1 与套外主叫通话时长 2 得到较大值与较小值 4. 根据套外主叫通话时长 1 与套外主叫通话时长 2 得到本地通话时长 5. 使用 count 函数，计算原来特征的各个取值的个数，将其作为新的特征值。对于 1_total_fee, 2_total_fee, 3_total_fee, 4_total_fee 使用 count 函数 6. 使用 word2evc 构建特征 Word2vec 是 Google 为了训练字词嵌套而研发的一种算法。Word2evc 基于分布假设，将语义上相似的字词映射到几何图形上邻近的嵌套矢量。Word2vec 通过训练神经网络来区分实际共同出现的多组字词与随机出现在一起的字词，从而充分利用此类上下文信息。这里使用的是四组账单数据，将账单金额当作文本标签，窗口为 2，因为业务上很少有规则会跳过中间某个月。词向量

分享到：

赞收藏

资料库

中科大机器学习与知识发现课程实验报告.docx

相关推荐

课程资源

热门标签

最新资料