神经网络在客户分层上的应用—Autoencoder

一个原理很简单，操作很简单，但是应用起来费点劲的算法。

Autoencoder，非监督学习算法的一种。非监督学习(Unsupervised Learning)是机器自己学习的模式。上篇 “机器学习的Hello world”，是监督学习（Supervised Learning）的一种。

监督与非监督学习的差别很简单，就是是否会有一个明确的标签。

例如，“机器学习的Hello world”中的数字图片识别，最终数据库会告诉你这个图片对应的数字分类。然后建立神经网络之后，通过训练及学习 将神经网络预测结果调整至与已知的标签对应。监督学习，学的就是那个明确的标签

但是现实社会中，大部分数据或者问题，是没有明确的标签的或者说标签样本量不够大。这就属于非监督学习的范畴了。让机器自己去发现规律，找到方法。

面对的问题

那么什么是autoencoder呢？

这个算法我在4月份就接触到了，但是直到现在也不知道它的英文名字。不过，名字并不重要，重要的是解决问题的方式，原理及应用场景。

那么，今天所要提到的就是Autoencoder在客户分层场景上的应用。一般的客户分层，可以分为人口特征和地理特征上的分层。比如，你的目标客户是北京 20~30岁的女性。但是传统的客户分层方法有自己的局限性，其中一个就是仅对客户的几个特征进行分类。比如性别，年龄、地理。

但是，当今社会，有大量的数据，个人的特征值也超出了传统人口特征、地理特征的范围。比如在社交平台上活跃度、旅行次数、月消费数量、日均上网时间、某个商品的消费频率等等。

那么，我们面对的问题，简单总结下就是，当我们拿到用户600个特征时，我们怎么对客户进行分层呢？ 如何考虑600个特征的同同时，对用户进行分层呢？

算法原理

Autoencoder 在此问题上，能帮上一些忙。那么autoencoder是怎么工作的呢？

假设我们目前的数据是60000*600 ，60000个用户 每个用户600个特征；

同样Autoencoder是一种特殊的神经网络架构，其也要包含输入层，隐藏层、输出层。

输入层：600个输入值

隐藏层： 暂略

输出层：600个输出值

首先，Autoencoder的第一个特征是输入层与输出层相同。这看起来很奇怪，因为输入60000*600的训练数据，经历神经网络运算一通骚操作之后，输出的结果要和输入一样。 感觉是白费功夫，但是这也是这个算法的核心。

其次，下面是一个Autoencoder 结构简单的例子，大家能看出来，其实这是个缩小再放大的过程。

当数据经历整个神经网络，就是一个“压缩”再“解压”的过程。想象下，当把一个电影压缩，再解压。压缩解压之后，电影还是那个电影。 但是压缩后的“电影”其实是原电影的另一种存在形式。即，压缩后的电影也继承了原电影的特征值。

上图可以看出，神经网络将6个（蓝色）特征值 压缩成 2个（红色框框）神经元，再解压成6个蓝色。 当训练完之后，我们只用神经网络的前半部分，输入6个特征值，输出2个神经元预测结果。

换一个角度，原来的客户有600个数据特征，即600维度特征。Autoencoder就是用上面那个漏斗形的网络，将600个特征值降维到 二维。

即，将600个客户特征浓缩到 两维 特征。其实我并不清楚浓缩后的特征代表着什么。但是重要的是浓缩后的特征的数据的趋向性。

比如下图，每个点是一个客户。大家能发现明显的聚合趋势，能发现明显的极端值。这样就完成了第一步的客户特征值降维

总结下原理，其实这个算法背后的逻辑很直接也很好理解。就是通过将原来600个特征压缩再解压后，得出的还是自己。 所以，可以推断出压缩后的状态其实代表着自己本身的数据特征。

这个算法的实际应用及代码展示将在下篇介绍。~