预测模型

预测模型

预测模型是根据历史数据评估未来值或事件的算法。它们是产品分析，风险管理，营销，反欺诈和运营优化的核心。以下是实用指南：从任务的制定到操作和质量控制。

1）任务表述和信号

回归：连续量预测（LTV，存款大小，支票大小）。
分类：发生事件的概率（30天的客户流出，frod/not frod）。
排名：按相关性排序对象（建议）。
时间序列：按日历预测（流量、负载、收入）。
生存/事件发生前的时间：流出/重新付款之前的估计时间。
Uplift建模：影响力的增加（真的改变了行为）。
多类/多集合：同时发生多个状态/事件。
贝叶斯和概率模型：具有明显不确定性的预测。

2）数据和准备

谷物和观察窗口：定义预测单位（用户/会话/日）和诚实的"窗口"收集特征直到预测。
目标变量：明确的定义，地平线（7/30/90天），排除未来的泄漏。
特征：窗口聚集（7/30/90），行为频率，序列，分类编码，相互作用，分段统计。
数据质量：跳过、排放、重复、模式变更、时间戳的一致性。
班级平衡：分层，称重，放大/放大-小心，以免产生偏移。

3）选择算法

基本线性：线性/逻辑回归，正则化（L1/L2/Elastic Net）-快速，可解释。
树木和合奏：Random Forest，Gradient Boosting（XGBoost/LightGBM/CatBoost）是强大的徽章。
神经网络：用于复杂模式的MLP/Seq2Seq/Transformer（文本，序列，时间序列）。
时间序列：ARIMA/ETS, Prophet, Gradient Boosting with lags, DeepAR/N-BEATS/Temporal Fusion Transformer。
Uplift：双模型方法，T-Learner/S-Learner/X-Learner，因果关系树。

Survival: Cox, AFT, Random Survival Forests.

贝叶斯式：具有先验分布的GLM/分层模型。

实践：从简单且可重现的徽标线开始,仅在指标和稳定性方面获得显着收益时才增加复杂性。

4）分离和验证

Temporal CV：对于与时间相关的任务,按日期进行切割（滚动/弹出windows）。
分层：对于不平衡类。
组验证：不要允许组之间"泄漏"（user_id，campaign_id)。
超时测试："未来"时期的最终验证。
Beislines：天真（最后一个值，平均值），频率，简单的对数来衡量实际价值。

5）质量指标

分类：ROC-AUC，PR-AUC（在罕见事件中很重要），logloss，Brier得分，F1，precision/recall@k，lift/NDCG。
回归：RMSE/MAE/MAPE，sMAPE，R ²，quantile loss（用于胡椒粉）。
时间序列：MAPE/sMAPE/MASE, Pinball loss（量子预测）。
生存：协和索引，时间前事件的Brier。

Uplift: Qini, uplift@k, AUUC.

业务指标：增量收益，用户保留，下降，准确性SLA。

建议：始终存储两个级别的指标-"ML-quality"和"业务效果"。

6）校准和阈值

概率校准：Platt，isotonic，temperature scaling。
门槛选择：按业务目的（利润最高/假阳性限制），费用/罚款。
阈值稳定性：根据分布变化进行监控。

7）可解释性和可解释性

全球：特征的重要性（gain，permutation），PDP/ICE，SHAP摘要。
本地：SHAP/LIME解释对象决策。
Caveat：解释性是验证假设和信任而不是绝对的"真理"的工具。

8）战斗部署

Serving： online （REST/gRPC,低延迟）and batch（每小时/每日）。
转化：模型，数据，方案和菲奇（registry）。
Fichestors：在线/离线一致性、点对点时间正确性。
延迟控制：特征提取预算，地狱，后过程。
失败安全：默认规则，降级为beizline，taymout和retrai。
A/B和渐进式滚动：金丝雀发行，影子/地下镜像。

9）监控和漂移

质量：按销售计算（按递延标签计算的ROC-AUC/PR-AUC，商业KPI）。
分布：PSI/JS-divergence/KL，特征漂移和目标。
数据健康：跳过率，类别基数，尖峰，派克线延迟。
Alerting和SLO：阈值，runibuki（降解时该怎么办）。
Retrening：按时间表，按漂移触发，按季节计算；质量回归控制。

10）安全、合规和道德

隐私：数据最小化，别名，访问控制。
公平性：按段检查bias（假正值/非正值rate）,调整示例/阈值。
GDPR/本地规范：处理目的，保质期，解释权。
审核和可重复性：版本跟踪、可重现构建、解决方桉日志。

11）范例桉例范本

流出（churn）：二进制分类；度量-PR-AUC，保留活动的uplift测试；结论-优先排序offers。
Antifrod：高水平分类；度量-PR-AUC，recall@low@FPR；严格的latency限制。
LTV/ARPPU：回归或量子回归；定期重新校准。
负载/收入预测：时间序列；统计和ML模型的合奏；季节性和节日如仙女。
个人建议：排名/矩阵化/seq模型；在线更新和利用（mult-armed bandits）。

12）过程（ML Lifecycle）

1.问题和KPI → 2。数据和fici → 3。Baseline → 4。模型和选择→

2.校准和阈值→ 6。验证和A/B → 7。伺服和监测→ 8.Retrening/进化。

每个阶段都记录下来：数据方案，培训技巧，工件版本，实验结果。

13）特征工程（简短）

总和：总和/平均/分位数通过窗口。
计数器和频率：转换，类别稀有。
时间滞后和趋势：三角洲，指数平滑。
类别编码：target/stats编码（注意泄漏），WoE，单热/Hashing。
文本和事件：TF-IDF，embeddings，sequence-fichi。
业务逻辑：域特征（例如"最后一次付款的日子"）。

14）实验管理

跟踪：度量,参数,工件,数据表。
超参数：贝叶斯索赔,random/grid搜索,提前停止。
拳头控制：数据目录，电路合同，兼容性测试。

15）售前支票清单

• 未来没有泄漏；正确的时间验证
• 度量标准可以抵抗变化；有OOT测试
• 校准已核实；选择业务阈值
• 小费和数据合同文档
• 降解和Alerta功能已配置
• Retrening计划和停止标准
• 通过法律和道德检查

迷你词汇表

分布漂移：改变数据/目标时间统计。
校准：将概率带到实际事件频率。
Uplift：预测"处理"和"控制"之间的影响差异。
OOT测试：在学习/验证中完全不可见的时期验证模型。

底线

预测模型不仅是一种算法，而且是一种过程：正确的任务设置，数据学科，严格的验证，可重复的双翼飞机，监视和道德规范。遵循所述周期可降低"离线美观度量"的风险,并提高产品中的实际价值。