1 / 25

Adatbányászati modellek aggregálása

Adatbányászati modellek aggregálása. Dr. Pitlik László – Szűcs Imre – Pető István – Andrei Pisartsov – Orosz Erika. SZIE GTK GMI - SZIE GTK GSZDI. V. Alkalmazott Informatika Konferencia Kaposvár, Kaposvári Egyetem 2006. Május 26. Tartalom. Bevezetés Felhasznált adatok

jolie-davidson
Download Presentation

Adatbányászati modellek aggregálása

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Adatbányászati modellek aggregálása Dr. Pitlik László – Szűcs Imre – Pető István – Andrei Pisartsov – Orosz Erika SZIE GTK GMI - SZIE GTK GSZDI V. Alkalmazott Informatika Konferencia Kaposvár, Kaposvári Egyetem 2006. Május 26.

  2. Tartalom • Bevezetés • Felhasznált adatok • Probléma felvetése: Inkonzisztencia • Módszerek • Modell aggregálás • Eredmények • Konklúzió V. Akalmazott Informatika Konferencia

  3. Bevezetés I Adatbányászati modellek • Kockázatelemzés • Credit Scoring • Basel II • CRM (Ügyfélkapcsolat menedzsment) • Termékvásárlási / válaszadási modellek • Lemorzsolódás • Szegmentáció • Vásárlói kosár elemzés • Ügyfélérték számítás V. Akalmazott Informatika Konferencia

  4. Bevezetés II Modellek felhasználása • Preferencia • Számszerű érték Inkonzisztencia • Különböző modellek eltérő eredményt adnak ugyanarra a kérdésre • Makro modellek vs Belső modellek V. Akalmazott Informatika Konferencia

  5. Tartalom • Bevezetés • Felhasznált adatok • Probléma felvetése: Inkonzisztencia • Módszerek • Modell aggregálás • Eredmények • Konklúzió V. Akalmazott Informatika Konferencia

  6. Felhasznált adatok I V. Akalmazott Informatika Konferencia

  7. Felhasznált adatok II V. Akalmazott Informatika Konferencia

  8. Tartalom • Bevezetés • Felhasznált adatok • Probléma felvetése: Inkonzisztencia • Módszerek • Modell aggregálás • Eredmények • Konklúzió V. Akalmazott Informatika Konferencia

  9. Inkonzisztencia I Adott esemény bekövetkeztére vonatkozó eltérő eredményű becslések  Inkonzisztens jövőkép! • Közös ügyfélkör • 8500 objektum • 46,38% „jó” ügyfél V. Akalmazott Informatika Konferencia

  10. Inkonzisztencia II Következmények • Döntéshozatal támogatása? • Várható veszteség számítása (Basel II) EL = PD * EAD * LGD • Kampány hatékonyság tervezés • Lemorzsolódás következtében elmaradt nyereség • Ügyfélérték V. Akalmazott Informatika Konferencia

  11. Tartalom • Bevezetés • Felhasznált adatok • Probléma felvetése: Inkonzisztencia • Módszerek • Modell aggregálás • Eredmények • Konklúzió V. Akalmazott Informatika Konferencia

  12. Módszerek I • Közös modell fejlesztése • Modell fejlesztése minden lehetséges termékkombinációra • Modell aggregálás • Szakértői módszer • Mesterséges neurális hálózat • Component-based Object Comparison for Objectivity (COCO) V. Akalmazott Informatika Konferencia

  13. Módszerek II • Közös modell • Hiányzó értékek • Inaktív ~ Termékkel nem rendelkező • Modellek termék kombinációnként • Túl sok modell • Automatizált modellfejlesztés? • Modellek menedzselése? V. Akalmazott Informatika Konferencia

  14. Módszerek III • Modell aggregálás • Közepesen sok modell • Aggregálási módszer? V. Akalmazott Informatika Konferencia

  15. Tartalom • Bevezetés • Felhasznált adatok • Probléma felvetése: Inkonzisztencia • Módszerek • Modell aggregálás • Eredmények • Konklúzió V. Akalmazott Informatika Konferencia

  16. Modell aggregálás – Szakértői módszer • Hibával fordított arányban súlyozott átlag p = (ASE_1 * p2 + ASE_2 * p1) / (ASE_1 + ASE_2) • Klaszterezés • p1-p2 • K-középpontú • 18 szegmens • Szegmensenként számítjuk a súlyozást V. Akalmazott Informatika Konferencia

  17. Modell aggregálás – MNH I • Az alkalmazott neurális hálózat: • Multilayer Perceptron • Aktivációs függvény: tangenshiperbolikus • Kombinációs függvény: lineáris • Rétegek száma: 1-2 • Tanulási – tesztelési minta megoszlása: 70% - 30% • Leállítási kritérium: Early stopping • Memory Based Reasoning: • Alapmodellek hibájának becslésére • Hasonlóság = Euklidészi távolság • 50 legközelebbi szomszéd V. Akalmazott Informatika Konferencia

  18. Modell aggregálás – MNH II • Becsült hibák használatának vizsgálata (2 rejtett réteg, 5-4 neuronnal) • Rétegek és neuronok számának vizsgálata Megfelelő struktúra mellett a becsült hibák használata felesleges! V. Akalmazott Informatika Konferencia

  19. Modell aggregálás – COCO I • Dr. Pitlik László – SZIE GTK GMI • Ügyfelek csoportosítása: p1, p2  szegmensek • Alapadat mátrix (szegmens szint) • Input: átlag_p1, átlag_p2 • Cél: átlag termékvásárlás • Szegmensenkénti becslés • Modell kiterjesztése ügyfelekre • http://miau.gau.hu/miau/93/5ai-coco.xls V. Akalmazott Informatika Konferencia

  20. Modell aggregálás – COCO II COCO és MNH összehasonlítása • Adatbázis: COCO alapadat mátrix • 75 objektum (tréning ügyfél szegmensek) • Modell eredményének kiterjesztése a teszt szegmensekbe tartozó ügyfelekre V. Akalmazott Informatika Konferencia

  21. Tartalom • Bevezetés • Felhasznált adatok • Probléma felvetése: Inkonzisztencia • Módszerek • Modell aggregálás • Eredmények • Konklúzió V. Akalmazott Informatika Konferencia

  22. Eredmények I • Inkonzisztencia feloldása az egyetlen mutatószám által • Aggregált modellek pontosabbak, mint az alapmodellek a közös ügyfélkörön • Nem érjük el az alapmodellek fejlesztési állományon produkált pontosságát  Fontosak a precíz alapmodellek V. Akalmazott Informatika Konferencia

  23. Eredmények II V. Akalmazott Informatika Konferencia

  24. Konklúzió • Inkonzisztencia feloldása • Döntéshozatal • Aggregált modellek pontosabbak, mint az alapmodellek a közös ügyfélkörön • Várható veszteség • Kampány eredményesség • Ügyfélérték • Fel kell ismerni és tudatosan kezelni kell az előrejelzésekben rejlő inkonzisztenciát! V. Akalmazott Informatika Konferencia

  25. Köszönöm a figyelmet! Szűcs Imre icsusz@gmail.com V. Akalmazott Informatika Konferencia

More Related