Використання алгоритмів машинного навчання для побудови системи прогнозування поведінки клієнтів

Abstract

UA : Мета і завдання дослідження полягають в аналізі алгоритмів кла-сифікації структурованих даних та розробці високоефективної інформаційно-аналітичної системи для оптимізації стратегій перехресних продажів у фінан-совому секторі з використанням передових методів машинного та глибокого навчання в умовах обмежено контрольованого середовища з великою кількіс-тю нерозмічених спостережень. В ході дослідження запропоновано метод, який використовує для PU – класифікації просту одношарову нейронну мережу. У цьому методі будується ансамбль із декількох одношарових нейронних мереж, кожну із яких трену-ють на різних невеликих випадкових вибірках із основного набору даних. Цей підхід дозволяє обмежити кількість невідомих об’єктів, які мережа бачить як умовно-негативний клас (0), що сприяє зменшенню ймовірності помилкового маркування невідомих (нерозмічених) об’єктів як помилково негативних (1). Фінальний прогноз класу для об'єкта формується як середнє значення про-гнозів всіх мереж. Цей метод покладено в основу веб-застосунку для фінансо-вих компаній із інтуїтивним інтерфейсом для менеджерів та агентів, який до-зволяє їм ефективно вибирати клієнтів для перехресних продажів.

EN : The primary objective of this research is to explore various algorithms for the classification of structured data as well as develop an advanced information and analytical system for optimizing cross-selling strategies within the financial sector with the help of semi-supervised machine and deep learning techniques. In this study, we propose an innovative method utilizing a single-layer neural network to address positive-unlabelled (PU) classification in scenarios involving a substantial number of unlabelled observations. The proposed approach involves the creation of an ensemble of multiple single-layer neural networks. Each network is individually trained on a distinct randomly selected small sample from the main dataset. This methodology effectively restricts the introduction of unlabelled samples to the network during training, treating them as pseudo-negative class (0). The primary aim is to significantly reduce the false negative rate (1). The ultimate class prediction for an object is determined by aggregating the mean predictions of all networks. This technique has been implemented as a core component of a single-page application designed for financial companies with a user-friendly interface tailored for managers and agents, facilitating the efficient identification of leads customers for cross-selling purposes.