神經網路在客戶分層上的應用—Autoencoder

一個原理很簡單，操作很簡單，但是應用起來費點勁的演算法。

Autoencoder，非監督學習演算法的一種。非監督學習(Unsupervised Learning)是機器自己學習的模式。上篇 「機器學習的Hello world」，是監督學習（Supervised Learning）的一種。

監督與非監督學習的差別很簡單，就是是否會有一個明確的標籤。

例如，「機器學習的Hello world」中的數字圖片識別，最終資料庫會告訴你這個圖片對應的數字分類。然後建立神經網路之後，通過訓練及學習 將神經網路預測結果調整至與已知的標籤對應。監督學習，學的就是那個明確的標籤

但是現實社會中，大部分數據或者問題，是沒有明確的標籤的或者說標籤樣本量不夠大。這就屬於非監督學習的範疇了。讓機器自己去發現規律，找到方法。

面對的問題

那麼什麼是autoencoder呢？

這個演算法我在4月份就接觸到了，但是直到現在也不知道它的英文名字。不過，名字並不重要，重要的是解決問題的方式，原理及應用場景。

那麼，今天所要提到的就是Autoencoder在客戶分層場景上的應用。一般的客戶分層，可以分為人口特徵和地理特徵上的分層。比如，你的目標客戶是北京 20~30歲的女性。但是傳統的客戶分層方法有自己的局限性，其中一個就是僅對客戶的幾個特徵進行分類。比如性別，年齡、地理。

但是，當今社會，有大量的數據，個人的特徵值也超出了傳統人口特徵、地理特徵的範圍。比如在社交平台上活躍度、旅行次數、月消費數量、日均上網時間、某個商品的消費頻率等等。

那麼，我們面對的問題，簡單總結下就是，當我們拿到用戶600個特徵時，我們怎麼對客戶進行分層呢？ 如何考慮600個特徵的同同時，對用戶進行分層呢？

演算法原理

Autoencoder 在此問題上，能幫上一些忙。那麼autoencoder是怎麼工作的呢？

假設我們目前的數據是60000*600 ，60000個用戶 每個用戶600個特徵；

同樣Autoencoder是一種特殊的神經網路架構，其也要包含輸入層，隱藏層、輸出層。

輸入層：600個輸入值

隱藏層： 暫略

輸出層：600個輸出值

首先，Autoencoder的第一個特徵是輸入層與輸出層相同。這看起來很奇怪，因為輸入60000*600的訓練數據，經歷神經網路運算一通騷操作之後，輸出的結果要和輸入一樣。 感覺是白費功夫，但是這也是這個演算法的核心。

其次，下面是一個Autoencoder 結構簡單的例子，大家能看出來，其實這是個縮小再放大的過程。

當數據經歷整個神經網路，就是一個「壓縮」再「解壓」的過程。想像下，當把一個電影壓縮，再解壓。壓縮解壓之後，電影還是那個電影。 但是壓縮後的「電影」其實是原電影的另一種存在形式。即，壓縮後的電影也繼承了原電影的特徵值。

上圖可以看出，神經網路將6個（藍色）特徵值 壓縮成 2個（紅色框框）神經元，再解壓成6個藍色。 當訓練完之後，我們只用神經網路的前半部分，輸入6個特徵值，輸出2個神經元預測結果。

換一個角度，原來的客戶有600個數據特徵，即600維度特徵。Autoencoder就是用上面那個漏斗形的網路，將600個特徵值降維到 二維。

即，將600個客戶特徵濃縮到 兩維 特徵。其實我並不清楚濃縮後的特徵代表著什麼。但是重要的是濃縮後的特徵的數據的趨向性。

比如下圖，每個點是一個客戶。大家能發現明顯的聚合趨勢，能發現明顯的極端值。這樣就完成了第一步的客戶特徵值降維

總結下原理，其實這個演算法背後的邏輯很直接也很好理解。就是通過將原來600個特徵壓縮再解壓後，得出的還是自己。 所以，可以推斷出壓縮後的狀態其實代表著自己本身的數據特徵。

這個演算法的實際應用及代碼展示將在下篇介紹。~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！