电信客户流失预测中采样技术与机器学习算法的性能比较研究

《Franklin Open》：Performance Comparison of Sampling Techniques with Machine Learning Algorithms for Churn Prediction in Telecommunication

本研究针对电信行业客户流失预测中的类别不平衡问题，系统比较了SMOTE、ADASYN和CTGAN等采样技术与多种机器学习算法的组合效果。研究人员发现，CTGAN与加权随机森林（WRF）分类器的结合表现最优，准确率达到99.79%，并展现出卓越的精确度、召回率、F1分数和AUC值。该研究为电信行业提供了一种有效解决数据集不平衡、提升预测模型泛化能力的新方案，对客户保留策略具有重要实践意义。

　　

在竞争日益激烈的电信市场环境中，客户流失已成为影响企业盈利能力的关键因素。随着市场饱和度不断提高和技术快速迭代，电信运营商面临着前所未有的客户保留压力。传统基于规则的客户流失预测方法往往显得僵化且难以扩展，而机器学习方法虽然展现出潜力，却受到数据集类别不平衡问题的严重制约——通常情况下，流失客户仅占总体样本的少数（约26.5%），导致模型容易偏向多数类，对实际流失客户的识别能力不足。

针对这一挑战，来自Kalasalingam研究与教育学院数学系的B. SHUNMUGA PRIYA、G. CHITRA和R. RAMALAKSHMI开展了一项创新性研究，系统比较了不同采样技术与机器学习算法在电信客户流失预测中的性能表现。该研究成果已发表在《Franklin Open》期刊上。

研究人员采用了包含7,043个电信客户样本的公开数据集，其中包含21个特征变量（包括数值型和分类型）。为解决类别不平衡问题，研究团队重点比较了三种采样技术：合成少数类过采样技术（SMOTE）、自适应合成采样（ADASYN）和条件表格生成对抗网络（CTGAN）。这些技术与七种机器学习算法相结合进行评估，包括随机森林（RF）、轻量梯度提升机（LightGBM）、极限梯度提升（XGBoost）、决策树（DT）、混合堆叠逻辑回归（HSLR）、混合统计线性回归与随机森林（HSLR-RF）以及加权随机森林（WRF）。

研究的关键技术方法包括：使用标准80:20比例划分训练集和测试集；对分类变量进行标签编码，对数值变量进行标准化处理；系统配置各种采样技术和机器学习算法的参数以确保结果可比性和可复现性；通过准确率、精确度、召回率、F1分数和AUC等多项指标全面评估模型性能。

8.1. 描述性数据分析

研究人员首先对数据集进行了全面的描述性统计分析，发现目标变量“流失”存在明显类别不平衡，仅有26.5%的客户为流失者。各项特征变量的分布情况为后续建模提供了重要参考。

8.2. 使用混淆矩阵的性能评估

通过混淆矩阵分析发现，基于CTGAN生成的合成数据训练的WRF模型表现最佳，仅产生3个假正例且无假反例，而未经任何采样处理的模型性能最差，特别是在预测流失客户方面存在严重不足。

8.3. 使用ROC曲线分析采样技术

ROC曲线分析表明，CTGAN+WRF组合实现了完美的AUC值（1.0000），显著优于其他采样方法。SMOTE和ADASYN也能提升模型性能，但效果不如CTGAN显著。

8.4. 精确度-召回率曲线分析

精确度-召回率曲线分析进一步证实了CTGAN+WRF的优越性，该模型在两类别上都实现了近乎完美的性能指标，精确度、召回率和F1分数均接近1.00。

8.5. 局部可解释模型-无关解释

通过LIME技术对个体预测进行解释，揭示了影响特定客户流失预测的关键特征，如合同类型、在网时长和月度费用等，为制定针对性客户保留策略提供了依据。

8.6-8.10. 不同采样技术下的算法性能比较

综合分析表明，在不同采样技术下，CTGAN consistently outperformed other methods。特别是在与WRF结合时，达到了99.79%的准确率、100%的召回率和1.000的AUC值。相比之下，传统重采样方法如SMOTE和ADASYN虽然也能提升性能，但效果有限。

8.11. 使用均值±标准差和95%置信区间评估模型性能

统计分析显示，CTGAN+WRF的各项性能指标均显著优于未使用采样技术的WRF模型，且置信区间更窄，表明其预测结果更加稳定可靠。

研究结论明确指出，CTGAN与WRF的组合在解决电信客户流失预测中的类别不平衡问题上表现卓越。该方案不仅能有效平衡数据集，还能显著提升模型对少数类（流失客户）的识别能力。此外，通过LIME等可解释性技术，使预测结果对业务决策更具指导意义。

讨论部分强调了该研究的实际应用价值：电信企业可以借此构建更加精准的客户流失预警系统，提前识别高风险客户并采取针对性保留措施。同时，研究也为处理类别不平衡问题提供了新的思路和方法参考。

未来研究方向包括探索更先进的生成模型（如变分自编码器、扩散模型等）、开发实时预测系统、扩展可解释性工具的应用范围，以及关注伦理AI问题，确保模型应用的公平性和隐私保护。这些工作将进一步完善客户流失预测技术，推动其在电信行业的实际应用。