Utilizing the LightGBM Algorithm for Operator User Credit Assessment Research

要約

モバイル インターネット ユーザーの信用評価は、通信事業者が意思決定を確立し、対策を立てるための重要な方法であり、事業者が期待される利益を得られることを保証するものでもあります。
しかし、信用評価手法は長らく銀行やクレジットなどの金融業界が独占してきました。
通信事業者は、プラットフォーム ネットワーク テクノロジーとネットワーク リソースのサポーターおよびプロバイダーとして、通信ネットワークの構築者および保守者でもあります。
インターネット データは、ユーザーの信用評価戦略を改善します。
本稿では、通信事業者から提供される膨大なデータを活用し、Fusion LightGBMアルゴリズムに基づく通信事業者のユーザ信用評価モデルの研究を実施する。
まず、オペレーターから提供されたユーザー評価に関する膨大なデータに対して、データ前処理や特徴量エンジニアリング手法により重要な特徴量を抽出し、統計的に有意な多次元特徴量セットを構築します。
次に、線形回帰、デシジョン ツリー、LightGBM、およびその他の機械学習アルゴリズムが複数の基本モデルを構築して、最適な基本モデルを見つけます。
最後に、平均化、投票、ブレンディング、スタッキング、およびその他の統合アルゴリズムを統合して、複数の融合モデルを改良し、最終的にオペレーターのユーザー評価に最適な融合モデルを確立します。

要約(オリジナル)

Mobile Internet user credit assessment is an important way for communication operators to establish decisions and formulate measures, and it is also a guarantee for operators to obtain expected benefits. However, credit evaluation methods have long been monopolized by financial industries such as banks and credit. As supporters and providers of platform network technology and network resources, communication operators are also builders and maintainers of communication networks. Internet data improves the user’s credit evaluation strategy. This paper uses the massive data provided by communication operators to carry out research on the operator’s user credit evaluation model based on the fusion LightGBM algorithm. First, for the massive data related to user evaluation provided by operators, key features are extracted by data preprocessing and feature engineering methods, and a multi-dimensional feature set with statistical significance is constructed; then, linear regression, decision tree, LightGBM, and other machine learning algorithms build multiple basic models to find the best basic model; finally, integrates Averaging, Voting, Blending, Stacking and other integrated algorithms to refine multiple fusion models, and finally establish the most suitable fusion model for operator user evaluation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google