一、背景
公司的注册信息里没有用户性别这一项，但是我们的场景算是电商，如果知道用户的性别，对用户的商品推荐及排序都会比较重要，产品体验会更好
二、大致思路
参考现有的数据，一种是用户的维度数据，比如用户使用的手机型号，用户装的app(会有很多维的数据)，用户是不是活动来的(我们平台的拉新活动)，另一种是用户在app上的行为，比如用户浏览的商品的价格，用户选择的尺码，用户关注的商品的配色等，选这些完全是基于对业务的理解。
维度数据的好处是不会变化，且在新用户来的时候就能判断出来性别，能够实现实时计算，且数据比较完整，先用维度数据做，效果不好再结合用户行为数据一起做。
模型选择，最先想到的就是树模型，主观上觉得随机森林和GBDT应该是第一选择，其次LR,SVM都可以试下，觉得结果应该是差不多的
三、数据处理
我的原始数据都存在hive，数据基本都是string类型，其实用户装的app是个字符串存的，用户的手机型号也是字符串，然后就是case when先把手机型号存成1-20这样子，比如华为1，苹果2，树模型对数字大小不是很敏感，用户装的机型太少的就都标记为其他，然后是用户装的app，取出来用户整体装的app降序，选大概1000个，再加上用户是否参加活动，这样数据就有1002维了。
开始想的是直接喂给模型跑，就直接跑了小，效果贼差(这和决策树的投票有关系)，主要是测试数据(微信登录的用户的性别)的男女比例差距太大，我们平台男性用户太多了，后面就改成1:1的关系；还有用户装的app我没做删减，比如微信，几乎所有的用户都装了，这个特征就没啥用，然后整体算下app男性女性的占比，然后整体排名100多的app只有10%用户装了，所以之后的特征也先去掉，这样删减完我还剩72个特征。
四、算法测试
由于公司买了阿里的pai，所以直接就在里面测试了，先出结果，可行了再自己写代码(主要我写的不怎么样)。
pai的流程还是很简单，和自己写代码差不多，先分测试数据和预测数据，训练模型，预测结果，看结果好坏，直接训练3个模型，流程如下：
结果会自动写回hive，这个训练的模型也行直接在线部署，每天批任务预测下，同时也可以输出PMML。
最后的结果：
看男女的预测结果，三种算法准确率都在80%左右，即使用volting，提升的结果几乎就是0.1个百分点
五、总结
三种策略下结果没大的变化，，想要提升需要找更多的特征。