全文下载链接：http://tecdat.cn/?p=26219
最近我们被客户要求撰写关于银行机器学习的研究报告，包括一些图形和统计输出。
该数据与银行机构的直接营销活动相关，营销活动基于电话。通常，需要与同一客户的多个联系人联系，以便访问产品（银行定期存款）是否会（“是”）或不会（“否”）订阅
银行数据集
我们的数据集描述
y – 客户是否订阅了定期存款？（二进制：’是’，’否’）
我们的目标是选择最好的回归模型来让客户订阅或不订阅定期存款。我们将使用如下算法：
- 线性回归
- 随机森林回归
- KNN近邻
- 决策树
- 高斯朴素贝叶斯
- 支持向量机
选择最佳模型的决定将基于：
- 准确性
- 过采样
数据准备
在本节中，我们加载数据。我们的数据有 45211 个变量。
输入变量：
银行客户数据
1 – 年龄(数字)
2 – 工作：工作类型（分类：’行政’、’蓝领’、’企业家’、’女佣’、’管理’、’退休’、’自雇’、’服务’、’学生’、’技术员’、’失业’、’未知’)
3 – 婚姻：婚姻状况（分类：’离婚’、’已婚’、’单身’、’不详’；注：’离婚’指离婚或丧偶）。
4 – 教育（分类：’基础4年’、’基础6年’、’基础9年’、’高中’、’文盲’、’专业课程’、’大学学位’、’未知’)
5 – 违约：是否有违约的信贷？(分类: ‘没有’, ‘有’, ‘未知’)
6-住房：是否有住房贷款？(分类: ‘否’, ‘是’, ‘未知’)
7 – 贷款：有个人贷款吗？
8 – contact: 联系通信类型（分类：’手机’, ‘电话’）。
9 – 月：最后一次联系的年份月份（分类：’一月’, ‘二月’, ‘三月’, …, ‘十一月’, ‘十二月’)
10 – day_of_week：最后一次联系的星期（分类：’mon’, ‘tue’, ‘wed’, ‘thu’, ‘fri’)
11 – 持续时间：最后一次联系的持续时间，以秒为单位（数字）。
12 – 活动：在这个活动期间为这个客户进行的接触次数（数字，包括最后一次接触）。
13 – pdays: 在上次活动中最后一次与客户联系后的天数（数字，999表示之前没有与客户联系）。
14 – 以前：在这次活动之前，为这个客户进行的接触次数（数字）。
15 – 结果：上次营销活动的结果（分类：”失败”、”不存在”、”成功”）。
社会和经济背景属性
16 – emp.var.rate：就业变化率–季度指标（数值）。
17 – cons.price.idx：消费者价格指数–月度指标（数值）。
18 – cons.conf.idx：消费者信心指数–月度指标（数字）。
19 – euribor3m：银行3个月利率–每日指标(数值)
20 – nr.employed: 雇员人数 – 季度指标(数字)
输出变量（所需目标）：
- y – 客户是否认购了定期存款？(二进制: ‘是’, ‘否’)
data.head(5)
我们的下一步是查看变量的形式以及是否存在缺失值的问题。
df1 = data.dtypes
df1
df2 = data.isnull().sum()
df2
我们的下一步是计算所有变量的值。
data['y'].value_counts()
data['job'].value_counts()
data['marital'].value_counts()
data['education'].value_counts()
data['housing'].value_counts()
data['loan'].value_counts()
data['contact'].value_counts()
data['month'].value_counts()
data['poutcome'].value_counts()
描述性统计
数值总结
data.head(5)
改变因变量 y 的值。代替 no – 0 和代替 yes – 1。
data['y'] = data['y'].map({'no': 0, 'yes': 1})data.columns
对于我们的每个变量，我们绘制一个箱线图来查看是否有任何可见的异常值。
plt.figure(figsize=[10,25])
ax = plt.subplot(611)
sns.boxplot(data['age'],orient="v")
我们可以看到许多可见的异常值，尤其是在 balance 、 campaign 、 pdays 的情况下。在 pdays ，我们可以看到很多变量都在分位数范围之外。这个变量是一个特例，它被解码为 -1，这就是我们的图看起来像这样的原因。在表示变量之前的箱线图的情况下，它表示在此活动之前执行的联系数量，在这种情况下，我们还可以注意到许多超出分位数范围的值。
直方图
我们的下一步是查看连续变量的分布和直方图
我们可以看到没有一个变量具有正态分布。
plt.figure(figsize=[10,20])
plt.subplot(611)
g = sns.distplot(data["age"], color="r")
我们的下一步是查看因变量 y 与每个变量或连续变量之间的关系。
g = sns.FacetGrid(data, col='y',size=4)
g.map
从这些变量中我们可以得到的最有趣的观察是，大多数说不的人年龄在20-40岁之间，在月底的第20天，大多数人也拒绝了这个提议。
分类总结
我们制作仅包含分类变量的数据子集，以便更轻松地绘制箱线图
data_categorical = data[['job',
'marital',
'education',
'default', 'housing',
'loan','month', 'y']]
我们还查看了分类变量，看看是否有一些有趣的特征
从上面的条形图中可以看出，最有趣的结果来自变量：婚姻状况、教育和工作。
从代表婚姻状况的图表来看，大多数人都已婚。
正如我们在代表教育的图表上看到的那样 – 最大的是接受过中等教育的人数。
在约伯的情况下，我们可以看到大多数人都有蓝领和管理工作。
我们还想在马赛克图上查看我们的分类变量与 y 变量之间的关系。
plt.rcParams['font.size'] = 16.0
正如我们所见，大多数人都拒绝了该提议。就地位而言，已婚的人说“不”最多。
在可变违约的情况下，大多数没有违约信用的人也拒绝了该提案。
大多数有住房贷款的人也拒绝了该提议。
大多数没有贷款的人拒绝了这个提议。
点击标题查阅往期内容
用PyTorch机器学习神经网络分类预测银行客户流失模型
左右滑动查看更多
01
02
03
04
数据挖掘
data.head(5)
我们想更深入地研究我们的变量，看看我们是否可以用它们做更多的事情。
我们的下一步是使用 WOE 分析。
finv, IV = datars(data,data.y)
IV
基于对我们有用的 WOE 分析变量是：pdays、previous、job、housing、balance、month、duration、poutcome、contact。
在下一步中，我们决定根据 WOE 结果和变量的先前结果删除无用的列。
我们删除的其中一个列是 poutcome，尽管它的 WOE 很高，但我们决定删除它，因为从 prevois 分析中我们看到它有许多未知的观察结果。
在可变持续时间的情况下，我们也可以看到WOE相当大，甚至可以说这个结果有点可疑。我们决定根据 WOE 结果放弃它，因为我们的模型应该根据过去的数据说明是否建议给某个人打电话。
在可变接触的情况下，我们放弃了它，因为对我们来说，接触形式在我们的模型中没有用。
我们还删除了变量 day 因为它对我们没有用，因为这个变量代表天数，而该变量的 WOE 非常小。我们删除的最后一个变量是变量 pdays，尽管这个变量 WOE 的结果非常好，但它对我们来说并不是一个有用的变量。
我们分析中剩下的列：
特征选择和工程
要执行我们的算法，我们首先需要将字符串更改为二进制变量。
data = pd.get_dummies(data=data, columns = ['job', 'marital', 'education' , 'month'],
prefix = ['job', 'marital', 'education' , 'month'])
我们更改了列的名称。
data.head(5)
创建虚拟变量后，我们进行了 Pearson 相关。
age = pearsonr(data['age'], data['y'])
sns.heatmap(corr
我们选择了数字列来检查相关性。正如我们所看到的，没有相关性。
我们查看因变量和连续变量之间的关系。
pylab.show()
交叉验证
经过所有准备工作，我们终于可以将数据集拆分为训练集和测试集。
算法的实现
逻辑回归
K=5
kf = KFold(n_splits=K, shuffle=True)
logreg = LogisticRegression() [[7872 93]
[ 992 86]]
[[7919 81]
[ 956 86]]
[[7952 60]
[ 971 59]]
[[7871 82]
[1024 65]]
[[7923 69]
[ 975 75]]
决策树
dt2 = tree.DecisionTreeClassifier(random_state=1, max_depth=2) [[7988 0]
[1055 0]]
[[7986 0]
[1056 0]]
[[7920 30]
[1061 31]]
[[8021 0]
[1021 0]]
![图片]()
[[7938 39]
[1039 26]]
随机森林
random_forest = RandomForestClassifier [[7812 183]
[ 891 157]]
[[7825 183]
[ 870 164]]
[[7774 184]
[ 915 169]]
[[7770 177]
[ 912 183]]
[[7818 196]
[ 866 162]]
KNN近邻
classifier = KNeighborsClassifier(n_neighbors =13,metric = 'minkowski' , p=2)
print("Mean accuracy: ",accuracyknn/K)
print("The best AUC: ", bestaucknn) [[7952 30]
[1046 15]]![图片]()
[[7987 30]
[1010 15]]
[[7989 23]
[1017 13]]![图片]()
[[7920 22]
[1083 17]]
[[7948 21]
[1052 21]]
高斯朴素贝叶斯
kf = KFold(n_splits=K, shuffle=True)
gaussian = GaussianNB() [[7340 690]
[ 682 331]]
[[7321 633]
[ 699 389]]
[[7291 672]
[ 693 386]]
[[7300 659]
[ 714 369]]
[[7327 689]
[ 682 344]]
``````
models = pd.DataFrame({
'Model': ['KNN', 'Logistic Regression',
'Naive Bayes', 'Decision Tree','Random Forest'],
'Score': [ accuracyknn/K, accuracylogreg/K,
accuracygnb/K, accuracydt/K, accuracyrf/K],
'BestAUC': [bestaucknn,bestauclogreg,bestaucgnb,
bestaucdt,bestaucrf]})
我们看到根据 AUC 值的最佳模型是朴素贝叶斯我们不应该太在意最低的 R2 分数，因为数据非常不平衡（很容易预测 y=0）。在混淆矩阵中，我们看到它预测了漂亮的价值真正值和负值。令我们惊讶的是，决策树的 AUC 约为 50%。
欠采样
我们尝试对变量 y=0 进行欠采样
gTrain, gValid = train_test_split
逻辑回归
predsTrain = logreg.predict(gTrainUrandom)
predsTrain = logreg.predict(gTrain20Urandom)
predsTrain = logreg.predict(gTrrandom)
决策树
print("Train AUC:", metrics.roc_auc_score(ygTrds))
随机森林
print("Train AUC:", metrics.roc_auc_score(ygTr, predsTrain),
"Valid AUC:", metrics.roc_auc_score(ygVd, preds))
KNN近邻
print("Train AUC:", metrics.roc_auc_score(ygTrm, predsTrain),
"Valid AUC:", metrics.roc_auc_score(ygVal10, preds))
高斯朴素贝叶斯
print("Train AUC:", metrics.roc_auc_score(ygTraom, predsTrain),
"Valid AUC:", metrics.roc_auc_score(ygid, preds))
过采样
我们尝试对变量 y=1 进行过采样
feates = datolist()
print(feures)
feaes.remove('y')
print(gTrainOSM.shape)(31945, 39)
``````
smt = SMOT(32345, 39)
``````
smt = SMOT(32595, 39)
``````
ygTrain10OSM=gTrain10OSM['y']
gTrain10OSM=gTrain10OSM.drop(columns=['y'])逻辑回归
print("Train AUC:", metrics.roc_auc_score(ygTrin10SM, predsTrain),
"Valid AUC:", metrics.roc_auc_score(ygValid, preds))
决策树
dt2.fit(,ygTranOS)
predsTrain = dtpreict(TrainOSM)
preds = dt2.predict(gValid)
随机森林
random_forest.fit(rainOSM, ygTranOS)
predsTrain = random_forest.prect(gTraiOSM)
p
KNN近邻
classifier.fit(granOSM, yTanOSM)
predsTrain = classifier.predict(gTaiSM)
preds = classifier.predict(Vaid)
高斯朴素贝叶斯
gaussian.fit(gTriOM, ygrainM)
predsTrain = gaussian.predcti)结论
我们看到欠采样和过采样变量 y 对 AUC 没有太大帮助。
本文摘选 《 PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据 》 ，点击“阅读原文”获取全文完整资料。
点击标题查阅往期内容
用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言用FNN-LSTM假近邻长短期记忆人工神经网络模型进行时间序列深度学习预测4个案例
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
R语言KERAS用RNN、双向RNNS递归神经网络、LSTM分析预测温度时间序列、 IMDB电影评分情感
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析Python使用神经网络进行简单文本分类
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
R语言基于递归神经网络RNN的温度时间序列预测
R语言神经网络模型预测车辆数量时间序列
R语言中的BP神经网络模型分析学生成绩
matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和结果可视化
用R语言实现神经网络预测股票实例
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
