資料前處理 特徵工程的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

應用機器學習預測目標客戶–以E公司為例

為了解決資料前處理 特徵工程的問題，作者彭季堯 這樣論述：

經理人如果能夠精準預測潛在目標客戶，代表企業可以快速並正確安排為了成交客戶的各項資源投入。但傳統透過業務人員判斷是否為目標客戶之銷售方式，因為不容易有共同的認定標準而無法在組織間推廣，也因為業務人員個性、背景、喜好不同，無從談起預測的一致性和準確性。本研究藉由E公司客戶關係管理系統中所記錄的近2年內商機資料，使用機器學習的方法進行資料分析，希望能夠在E公司B2B的商業模式下，建置高品質的潛在成交客戶預測模型。藉由適當的模型推薦潛在成交客戶來取代人為判斷，可幫助經理人對企業資源以及行銷活動加以合理運用及分配，能夠降低營運成本並增加企業獲利。本研究將E公司提供之商機樣本資料，經過資料前處理後，使

用隨機森林、羅吉斯迴歸、套索迴歸以及支援向量機等機器學習方法，以Python 程式語言建置機器學習模型並比較精確率、召回率、F1-分數等模型績效指標。本研究發現若E公司追求精確率以隨機森林模型績效較佳，若追求召回率則以支援向量機模型績效較佳。由套索迴歸係數顯示影響成交勝算的變數有「所在區域」、「上市櫃資訊」、「員工人數分箱」，所在區域結果顯示客戶為高雄市成交的勝算大於台北市、台北市成交的勝算大於台中市。上市櫃資訊結果顯示客戶為興櫃成交的勝算大於上櫃、上櫃成交的勝算大於一般企業。員工人數分箱結果顯示客戶公司是「員工人數2級」成交的勝算大於「員工人數1級」，「員工人數2級」和「員工人數3級」的客戶

成交勝算相近。 本研究成果顯示，E公司可以採用適當的機器學習模型，在新商機進入E公司客戶關係管理系統中時，第一時間識別潛在成交客戶，除幫助經理人優先投入銷售資源外，E公司更能以此成果為基礎，持續推動數位優化達成數位轉型，建立競爭對手難以模仿的數位優勢。

概念漂移於線上遊戲惡意退款偵測機制之研究

為了解決資料前處理 特徵工程的問題，作者歐晏綾 這樣論述：

目前線上遊戲市場蓬勃發展，隨之而來挑戰也愈來愈多，其中有心人士利用友善的退款機制進行惡意退款，造成遊戲供應商蒙受鉅大損失，這是現今遊戲產業所面臨且迫切需要去解決的問題。為了檢測惡意退款及檢測模型達到跨遊戲偵測且獲得高準確度，本研究致力於提出一個通用型的遊戲惡意退款檢測模型。然而真實世界的資料會面臨部分挑戰，如：資料不平衡、概念漂移等問題。根據以上挑戰，本研究目標著重在採樣技術來處理不平衡資料和建置增量學習模型能夠自行調適概念漂移，減少因真實世界的交易資料導致模型效能降低的狀況。經過實驗後，與過去開發的模型相較之下，發現MCC的分數高於過去模型，其中表現最好的為帶有注意力機制的LSTM-Seq

2Seq模型，兩款遊戲的MCC分數平均為0.976，其餘的模型分數皆為0.94至0.97之間。因此本研究的偵測方法為當在面對概念漂移時，能夠自適應概念發生改變的情況，且提升檢測惡意退款效能。