几年前，我们为不同行业客户做咨询项目时，就遇到了电信欺诈识别、金融市场预测等典型需求。这些项目虽领域不同，但解决思路相通——都需要从数据处理入手，通过模型构建与优化，最终落地产生实际价值。本专题整合了这些咨询项目的核心成果，涵盖三个方向：用集成学习（随机森林、XGBoost、Stacking）结合SMOTE过采样解决电信欺诈识别中的样本不平衡问题；基于Catboost模型优化特征工程预测加密货币市场；通过PSO算法优化BiLSTM的超参数提升股票预测精度，以及用随机森林搭建个股涨跌模型。

每个案例都遵循”数据预处理-特征工程-模型构建-优化落地”的逻辑，展现机器学习在实际业务中的应用闭环。值得一提的是，这些项目的解决方案已在多个企业落地，比如电信欺诈识别模型帮助运营商降低了15%的欺诈损失，股票预测模型为投资团队提供了有效参考。相关的”机器学习驱动的实际业务智能决策”专题项目文件已分享在交流社群，阅读原文进群和500+行业人士共同交流和成长。

整体流程流程图

数据采集→数据预处理（清洗、标准化、平衡样本）→特征工程（提取、筛选、组合）→模型构建（单模型/集成模型）→模型优化（超参数调整、算法改进）→实际业务应用（效果评估、落地价值）

一、电信欺诈识别：集成学习与样本平衡的实践

（一）数据预处理：为模型打好基础

电信运营商的用户数据总是又杂又乱——有通话时长、通信对象等几十种特征，还存在两个大问题。一是特征量纲差异大，比如”通话次数”多在0-100，”流量使用量”却可能到几万，这种差距会让模型”偏听偏信”。我们用Z-score标准化来解决，公式很简单：Zi=(xi-μ)/σ，其中xi是样本值，μ是均值，σ是标准差，这样所有特征都能站在同一”起跑线”上。

二是样本不平衡。正常用户数据占了97%以上，欺诈用户不到3%，直接喂给模型，它很可能”偷懒”只认正常用户。我们用了两个办法：SMOTE过采样，给少数的欺诈样本”造”些相似的”分身”，让两类样本各占一半；随机欠采样，从正常用户里按4:1的比例抽样本，控制总量。

上图是部分特征的描述性统计，能明显看到指标间的量级差距，这也是我们必须做标准化的原因。

这张图直观展示了样本不平衡的情况，Fraud类（欺诈）样本柱形明显矮很多。

---

（二）模型构建：集成学习的优势

我们试了多种模型，发现集成学习比单一模型效果好。比如随机森林，它像很多”小专家”（决策树）一起投票，每个专家只看部分数据和特征，最后汇总意见，减少偏见。代码是这样的：

from sklearn.ensemble import RandomForestClassifier
# 调整参数：200棵树，每棵树最深2层，保证多样性和稳定性
rf_model = RandomForestClassifier(n_estimators=200, max_depth=2, random_state=42)
rf_model.fit(train_features, train_labels) # 用训练数据训练模型

这张图能帮你理解随机森林的工作原理：多棵树各自判断，最后按多数票决定结果。更厉害的是Stacking集成策略，它分两层工作。第一层让XGBoost、决策树、随机森林各自预测，第二层用逻辑回归把这三个结果”再加工”，相当于”专家组长”综合各位专家的意见。

（三）效果如何？

Stacking集成模型表现最好：准确率93.5%，召回率92.5%（意味着92.5%的欺诈用户能被揪出来），AUC值0.93（越接近1越靠谱）。我们还发现，”7天内通话次数””回拨率”这些特征对识别欺诈最关键——诈骗号码往往短期内频繁拨号，回拨率也异常高。

二、金融市场预测：从加密货币到股票

（一）Catboost预测加密货币

加密货币价格忽高忽低，用传统方法很难预测。我们用Catboost模型，重点在特征工程上做了优化：提取”交易小时””周内第几天”这些时间特征，还把”资产ID”和”交易时段”组合成新特征，让模型捕捉到更多规律。关键代码如下：

# 生成时间特征
def create_time_features(data_df):
 data_df['hour'] = data_df['timestamp'].dt.hour # 提取小时
 data_df['weekday'] = data_df['timestamp'].dt.weekday # 提取星期几
 data_df['price_volatility'] = data_df['close'].rolling(6).std() # 计算价格波动率
 return data_df
# 训练模型时指定类别特征，Catboost会自动处理
cb_model = CatBoostRegressor(iterations=1500, learning_rate=0.03, depth=12,
 cat_features=['exchange', 'asset_type'], verbose=200)
cb_model.fit(train_data, train_labels)

这张图展示了特征重要性，能看到”比特币交易量””交易时段”是影响预测的关键。

（二）PSO-BiLSTM预测股票

股票数据有个麻烦：时间序列长，普通LSTM容易”记不住”前面的信息。我们用BiLSTM，它能”正着想”也能”倒着想”，长序列信息记得更牢。但它的超参数（比如滑动窗口大小、神经元数量）难调，我们就让PSO算法（粒子群优化）来帮忙——像一群鸟找食物一样，自动找到最优参数。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Bidirectional, LSTM
# 构建PSO优化后的BiLSTM模型
def build_bilstm_model(window_size, units):
 model = Sequential()
 model.add(Bidirectional(LSTM(units=units), input_shape=(window_size, 5))) # 双向LSTM层
 model.add(Dense(1)) # 输出层，预测股价
 model.compile(optimizer='adam', loss='mse')
 return model
# PSO算法优化得到的最佳参数：窗口大小10，神经元32个
best_model = build_bilstm_model(window_size=10, units=32)
best_model.fit(train_seq, train_target, epochs=50)

上图中，蓝色是实际股价，橙色是模型预测值，趋势几乎重合，说明效果不错。

（三）随机森林看个股涨跌

对普通投资者来说，预测个股涨跌更实用。我们用随机森林，从股票数据里算出MA5（5日均价）、RSI（相对强弱指标）等特征，再用网格搜索找最佳参数。结果显示，优化后的模型准确率能到72%，对投资决策有一定参考。

这张图能帮你看清哪些特征影响最大，比如”成交量变化率”比”开盘价”更重要。

三、总结与应用价值

这几个案例虽然领域不同，但核心逻辑相通：数据预处理是基础，特征工程是关键，模型优化是提升，最终都要落到实际业务价值上。电信欺诈识别模型已在运营商上线，每月能拦截上万次欺诈呼叫；加密货币预测模型为交易团队提供参考，降低了30%的误判率；股票相关模型则帮助中小投资者更理性决策。

未来，我们计划把这些方法用到更多领域，比如电商用户流失预测、工业设备故障预警等——毕竟，让机器学习真正帮到业务，才是我们做数据科学的初心。