金融科技系智慧金融系列讲座第八十二期

发布者：金融科技系发布时间：2023-07-05浏览次数：10

金融科技系智慧金融系列讲座第八十二期

《汉纪十九》：“匈奴呼韩邪单于来朝；二月，归国。始，郅支单于以为呼韩邪兵弱，降汉，不能复自还，即引其众西，欲攻定右地。又屠耆单于小弟本侍呼韩邪，亦亡之右地，收两兄馀兵，得数千人，自立为伊利目单于；道逢郅支，合战，郅支杀之，并其兵五万馀人。郅支闻汉出兵谷助呼韩邪，即遂留居右地；自度力不能定匈奴，乃益西，近乌孙，欲与并力，遣使见小昆弥乌就屠。乌就屠杀其使，发八千骑迎郅支。郅支觉其谋，勒兵逢击乌孙，破之；因北击乌揭、坚昆、丁令、并三国。数遣兵击乌孙，常胜之。坚昆东去单于庭七千里，南去车师五千里，郅支留都之。”

“班固赞曰：孝宣之治，信赏必罚，综核名实。政事、文学、法理之士，咸精其能。至于技巧、工匠、器械，自元、成间鲜能及之。亦足以知吏称其职，民安其业也。遭值匈奴乖乱，推亡固存，信威北夷，单于慕义，稽首称籓。功光祖宗，业垂后嗣，可谓中兴，侔德殷宗、周宣矣！”

从金融科技的发展情况来看，新进老师很多，这些老师们普遍能力强，学识扎实，且同时承担多项教学和管理职能，所以万不能从单一的指标来评价这些老师。希望这些老师通过不断努力，给系部带来新的气象。

本次讲座《基于XGBoost和社交网络分析的客户流失预测方法》由周萌博士带来。本期的研究主要从四个方面展开，分别是研究背景，XGBoost算法，社交网络分析和模型与结果。周萌博士提到，近年来，互联网行业发展迅速，市场逐渐饱和，从增量市场转向存量市场，获取新用户的成本越来越高。因此，对于防止客户流失的关注程度受到更多重视。GBDT（梯度提升决策树）是常用的机器学习算法之一，而XGBoost对于GBDT算法的改进。Boosting是一类可将弱分类器提升为强分类器的算法，属于集成学习范畴。Boosting方法通过分步迭代的方式来构建模型，在迭代每一步构建的弱分类器都是为了弥补已有模型的不足。XGBoost算法可以看成是由K棵树组成的加法模型，通过加法模型的学习使用前向分布算法。从一个常量预测开始，每次学习一个新的函数。因此，需要重新计算目标函数。最终通过采用精确贪心算法来生成决策树的每个节点。从社交网络的属性来看，变量可以分为两类：个体变量和社会网络变量。个体变量分为用户基本信息和用户行为变量。社会网络变量分为社交网络同质性——人们倾向于与自己具有相似行为特征的个体成为朋友。同时，周萌博士还提出社交网络结构由节点和边组成，与一个节点连结的边数目称为节点的度。还可以用图的邻接矩阵记录邻居节点，用户邻居节点包括流失和未流失的邻居节点，可以计算邻居节点流失率。最后通过比较LR、SVM、RF和XGBoost四种方法，可以发现XGBoost的优势。