相关数据集
电商用户流失预测训练模型
本模型基于SM4加密处理的用户脱敏数据（含交易/行为/投诉信息），提取近30天访问频次、消费间隔、消费金额波动率等核心特征。采用随机森林模型构建用户流失预测规则：通过多棵决策树投票机制（特征分裂阈值示例：消费金额＜100元且15天无访问行为）生成特征重要性排序，同步计算AUC值（ROC曲线下面积，评估整体排序能力）和召回率（召回率=被正确识别的流失用户/实际流失用户）。经交叉验证后，模型达到AUC
贵州省数据知识产权登记平台2025-03-21 更新2580
游戏用户流失预警分析模型
数据预处理规则：采用IQR四分位法剔除登录时长、互动频次等指标中的极端异常值，对缺失的玩法参与数据采用“同熟练度+同注册时长”群体均值填充；流失预测算法：构建“基础属性-行为时序-外部因素”三维特征体系，改良BiLSTM模型引入注意力机制，强化近期行为对流失预测的权重，7日流失预测准确率达92%以上；流失聚类规则：基于“登录间隔增幅、互动量降幅、付费停滞天数”3类核心指标，通过K-Means模型将
贵州省数据知识产权登记平台2025-09-22 更新810
TempODEGraphNet.zip
Research on user churn prediction has been conducted across various domains for a long time. Among these, the gaming domain is characterized by its potential for diverse types of interactions between
DataCite Commons2025-06-01 更新380
