标签
提出在分布漂移下进行在线模型测试的方法学,通过区分人口变化与数据完整性问题两种漂移机制,在受控基线上复现漂移以估计模型当前性能,并评估修复数据完整性问题的潜在收益。
这篇论文对 IBM Telco 客户流失基准进行了可信度审计,揭示了报告中高达 99% 准确率背后的四大问题:SMOTE 在数据划分前进行导致的数据泄漏、TotalCharges 字段冗余性造成的 SHAP 解释失真、概率校准方法的选择,以及 F1 最优阈值与成本最优阈值之间的巨大差距,并提出了一个可复现的报告检查清单。
本文使用KKBox数据集,研究订阅流失预测中需要多少天的早期行为才足够。结果表明,最优观察窗口取决于实验设计,且有关窗口充分性的论断应明确说明队列构建、目标定义和特征族。
本文提出了一种适用于非契约服务环境的滚动窗口客户流失预测框架,利用30天的行为窗口实现持续风险评估。基于真实数据的评估显示,基于特征的模型达到了87.6%的准确率和0.94的ROC-AUC,而基于序列的模型召回率高达96.1%。
本文评估了传统机器学习技术(随机森林、XGBoost、支持向量机)与深度学习模型(统一多任务时间序列模型)在零售客户流失预测中的表现,发现传统方法在预测性能和效率上可以更胜一筹。