万达平台智慧金融系列講座第八十二期
《漢紀十九》：“匈奴呼韓邪單於來朝↔️；二月，歸國🍇🔦。始，郅支單於以為呼韓邪兵弱，降漢，不能復自還👩🏽🎨，即引其眾西🤜🏿，欲攻定右地👨🔧。又屠耆單於小弟本侍呼韓邪，亦亡之右地，收兩兄餘兵🧜🏻♂️，得數千人🤰🏿，自立為伊利目單於🖕；道逢郅支，合戰👨🏼🍼，郅支殺之，並其兵五萬餘人。郅支聞漢出兵谷助呼韓邪🧏🏽♂️，即遂留居右地；自度力不能定匈奴，乃益西，近烏孫，欲與並力🏊♀️👩🏼🔬，遣使見小昆彌烏就屠⭐️。烏就屠殺其使，發八千騎迎郅支。郅支覺其謀，勒兵逢擊烏孫，破之；因北擊烏揭、堅昆🥥、丁令✭、並三國。數遣兵擊烏孫，常勝之。堅昆東去單於庭七千裏🎯，南去車師五千裏，郅支留都之🧑🏿🎨🍃。”
“班固贊曰👨👩👧👦：孝宣之治💪，信賞必罰，綜核名實👨🏿✈️🆓。政事🦑、文學、法理之士，鹹精其能🍒。至於技巧、工匠、器械，自元👨🦱、成間鮮能及之。亦足以知吏稱其職，民安其業也🪓。遭值匈奴乖亂，推亡固存，信威北夷，單於慕義，稽首稱籓💆🏼♂️🕗。功光祖宗，業垂後嗣，可謂中興🫗，侔德殷宗、周宣矣🧑🏽🦱！”
從金融科技的發展情況來看，新進老師很多，這些老師們普遍能力強👨🏼🎤，學識紮實⬆️，且同時承擔多項教學和管理職能，所以萬不能從單一的指標來評價這些老師🧗🏻♂️。希望這些老師通過不斷努力，給万达帶來新的氣象🥝。
本次講座《基於XGBoost和社交網絡分析的客戶流失預測方法》由周萌博士帶來𓀂。本期的研究主要從四個方面展開，分別是研究背景🙇🏻♀️，XGBoost算法，社交網絡分析和模型與結果🙋🏻。周萌博士提到，近年來，互聯網行業發展迅速，市場逐漸飽和🧑🏽🦰，從增量市場轉向存量市場📮，獲取新用戶的成本越來越高𓀅。因此，對於防止客戶流失的關註程度受到更多重視。GBDT（梯度提升決策樹）是常用的機器學習算法之一🛌🏿，而XGBoost對於GBDT算法的改進🦀🐶。Boosting是一類可將弱分類器提升為強分類器的算法🥶，屬於集成學習範疇。Boosting方法通過分步迭代的方式來構建模型，在迭代每一步構建的弱分類器都是為了彌補已有模型的不足。XGBoost算法可以看成是由K棵樹組成的加法模型，通過加法模型的學習使用前向分布算法。從一個常量預測開始，每次學習一個新的函數。因此，需要重新計算目標函數。最終通過采用精確貪心算法來生成決策樹的每個節點。從社交網絡的屬性來看，變量可以分為兩類🧑🎓：個體變量和社會網絡變量。個體變量分為用戶基本信息和用戶行為變量。社會網絡變量分為社交網絡同質性——人們傾向於與自己具有相似行為特征的個體成為朋友☂️👨🏼🦰。同時👩🏻🎤，周萌博士還提出社交網絡結構由節點和邊組成，與一個節點連結的邊數目稱為節點的度🎷。還可以用圖的鄰接矩陣記錄鄰居節點🖖🏿，用戶鄰居節點包括流失和未流失的鄰居節點♠️🧝🏼，可以計算鄰居節點流失率🚨。最後通過比較LR、SVM、RF和XGBoost四種方法，可以發現XGBoost的優勢。
周萌博士給我們提供的XGBoost方法在第一次所主講的XGBoost方法從數據上和方法上有了不同，希望万达的老師能夠通過不斷推動研究，帶動教學，從而利人的同時也提升自己。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
（供稿👨🏻🍼：曹煥）
