PCA+GWO集成特征选择和模型堆叠的客户流失预测

来源：计算机工程与应用杂志2025年第15期北京时间：

作者：刘梅, 郑立君, 段永良, 段红秀

单位：1.南京传媒学院 传媒技术学院，南京 210000；2.中国电信智能网络科技公司 UPF及云化网元部，南京 210000

摘要：客户的长期稳定对酒店营收和提高竞争力具有重要意义。在客户流失预测研究中，生产环境采集的数据存在数据量大、维度高、噪点多等问题，导致机器模型的准确率、稳定性和泛化能力下降。针对此类问题，设计了基于PCA+GWO的集成特征选择方法，并用模型堆叠构建了客户流失预测模型。提出了利用Pearson系数和随机森林（RF）的特征重要性来确定需要降维特征组的方法。改进了灰狼优化算法（GWO）中的灰狼位置更新机制和收敛条件，并将其应用于选择最佳特征子集的过程中。选取了10种不同的机器学习模型进行训练，挑选出F1-score表现最优的模型作为基模型，进行元模型训练。实验结果表明，使用某酒店客户信息数据集时，改进后的GWO算法收敛速度显著提升，且预测模型的F1-score达到了97.9%，该模型具有较强的泛化能力。

关键词：特征选择,随机森林（RF）,主成分分析（PCA）,灰狼优化（GWO）算法,模型堆叠