原文链接:http://tecdat.cn/?p=26219
银行数据集
咱们的数据集形容
该数据与银行机构的间接营销流动相干,营销流动基于电话。通常,须要与同一客户的多个联系人分割,以便拜访产品(银行定期存款)是否会(“是”)或不会(“否”)订阅。
y – 客户是否订阅了定期存款?(二进制:’ 是 ’,’ 否 ’)
咱们的指标是抉择最好的回归模型来让客户订阅或不订阅定期存款。咱们将应用如下算法:
- 线性回归
- 随机森林回归
- KNN 近邻
- 决策树
- 高斯奢侈贝叶斯
- 反对向量机
抉择最佳模型的决定将基于:
- 准确性
- 过采样
数据筹备
在本节中,咱们加载数据。咱们的数据有 45211 个变量。
输出变量:
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 ’、’ 治理 ’、’ 退休 ’、’ 自雇 ’、’ 服务 ’、’ 学生 ’、’ 技术员 ’、’ 就业 ’、’ 未知 ’)
3 – 婚姻:婚姻状况(分类:’ 离婚 ’、’ 已婚 ’、’ 独身 ’、’ 不详 ’;注:’ 离婚 ’ 指离婚或丧偶)。
4 – 教育(分类:’ 根底 4 年 ’、’ 根底 6 年 ’、’ 根底 9 年 ’、’ 高中 ’、’ 文盲 ’、’ 专业课程 ’、’ 大学学位 ’、’ 未知 ’)
5 – 守约:是否有守约的信贷?(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:有集体贷款吗?
8 – contact: 分割通信类型(分类:’ 手机 ’, ‘ 电话 ’)。
9 – 月:最初一次分割的年份月份(分类:’ 一月 ’, ‘ 二月 ’, ‘ 三月 ’, …, ‘ 十一月 ’, ‘ 十二月 ’)
10 – day\_of\_week:最初一次分割的星期(分类:’mon’, ‘tue’, ‘wed’, ‘thu’, ‘fri’)
11 – 持续时间:最初一次分割的持续时间,以秒为单位(数字)。
12 – 流动:在这个流动期间为这个客户进行的接触次数(数字,包含最初一次接触)。
13 – pdays: 在上次流动中最初一次与客户分割后的天数(数字,999 示意之前没有与客户分割)。
14 – 以前:在这次流动之前,为这个客户进行的接触次数(数字)。
15 – 后果:上次营销流动的后果(分类:” 失败 ”、” 不存在 ”、” 胜利 ”)。
社会和经济背景属性
16 – emp.var.rate:待业变化率 – 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:消费者信念指数 – 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)
输入变量(所需指标):
- y – 客户是否认购了定期存款?(二进制: ‘ 是 ’, ‘ 否 ’)
data.head(5)
咱们的下一步是查看变量的模式以及是否存在缺失值的问题。
df1 = data.dtypes
df1
df2 = data.isnull().sum()
df2
咱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)
扭转因变量 y 的值。代替 no – 0 和代替 yes – 1。
data\['y'\] = data\['y'\].map({'no': 0, 'yes': 1})
data.columns
对于咱们的每个变量,咱们绘制一个箱线图来查看是否有任何可见的异样值。
plt.figure(figsize=\[10,25\])
ax = plt.subplot(611)
sns.boxplot(data\['age'\],orient="v")
咱们能够看到许多可见的异样值,尤其是在 balance、campaign、pdays 的状况下。在 pdays,咱们能够看到很多变量都在分位数范畴之外。这个变量是一个特例,它被解码为 -1,这就是咱们的图看起来像这样的起因。在示意变量之前的箱线图的状况下,它示意在此流动之前执行的分割数量,在这种状况下,咱们还能够留神到许多超出分位数范畴的值。
直方图
咱们的下一步是查看连续变量的散布和直方图
咱们能够看到没有一个变量具备正态分布。
plt.figure(figsize=\[10,20\])
plt.subplot(611)
g = sns.distplot(data\["age"\], color="r")
咱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
从这些变量中咱们能够失去的最乏味的察看是,大多数说不的人年龄在 20-40 岁之间,在月底的第 20 天,大多数人也回绝了这个提议。
分类总结
咱们制作仅蕴含分类变量的数据子集,以便更轻松地绘制箱线图
data_categorical = data\[\['job',
'marital',
'education',
'default', 'housing',
'loan','month', 'y'\]\]
咱们还查看了分类变量,看看是否有一些乏味的特色
从下面的条形图中能够看出,最乏味的后果来自变量: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。
正如咱们在代表教育的图表上看到的那样 – 最大的是承受过中等教育的人数。
在约伯的状况下,咱们能够看到大多数人都有蓝领和管理工作。
咱们还想在马赛克图上查看咱们的分类变量与 y 变量之间的关系。
plt.rcParams\['font.size'\] = 16.0
正如咱们所见,大多数人都回绝了该提议。就位置而言,已婚的人说“不”最多。
在可变守约的状况下,大多数没有守约信用的人也回绝了该提案。
大多数有住房贷款的人也回绝了该提议。
大多数没有贷款的人回绝了这个提议。
数据挖掘
data.head(5)
咱们想更深刻地钻研咱们的变量,看看咱们是否能够用它们做更多的事件。
咱们的下一步是应用 WOE 剖析。
finv, IV = datars(data,data.y)
IV
基于对咱们有用的 WOE 剖析变量是:pdays、previous、job、housing、balance、month、duration、poutcome、contact。
在下一步中,咱们决定依据 WOE 后果和变量的先前后果删除无用的列。
咱们删除的其中一个列是 poutcome,只管它的 WOE 很高,但咱们决定删除它,因为从 prevois 剖析中咱们看到它有许多未知的察看后果。
在可变持续时间的状况下,咱们也能够看到 WOE 相当大,甚至能够说这个后果有点可疑。咱们决定依据 WOE 后果放弃它,因为咱们的模型应该依据过来的数据阐明是否倡议给某个人打电话。
在可变接触的状况下,咱们放弃了它,因为对咱们来说,接触模式在咱们的模型中没有用。
咱们还删除了变量 day 因为它对咱们没有用,因为这个变量代表天数,而该变量的 WOE 十分小。咱们删除的最初一个变量是变量 pdays,只管这个变量 WOE 的后果十分好,但它对咱们来说并不是一个有用的变量。
咱们剖析中剩下的列:
特征选择和工程
要执行咱们的算法,咱们首先须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 = \['job', 'marital', 'education' , 'month'\])
咱们更改了列的名称。
data.head(5)
创立虚构变量后,咱们进行了 Pearson 相干。
age = pearsonr(data\['age'\], data\['y'\])
sns.heatmap(corr
咱们抉择了数字列来查看相关性。正如咱们所看到的,没有相关性。
咱们查看因变量和连续变量之间的关系。
pylab.show()
穿插验证
通过所有筹备工作,咱们终于能够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)
\[\[7988 0\]
\[1055 0\]\]
\[\[7986 0\]
\[1056 0\]\]
\[\[7920 30\]
\[1061 31\]\]
\[\[8021 0\]
\[1021 0\]\]
\[\[7938 39\]
\[1039 26\]\]
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)
\[\[7952 30\]
\[1046 15\]\]
\[\[7987 30\]
\[1010 15\]\]
\[\[7989 23\]
\[1017 13\]\]
\[\[7920 22\]
\[1083 17\]\]
\[\[7948 21\]
\[1052 21\]\]
高斯奢侈贝叶斯
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': \[bestaucknn,bestauclogreg,bestaucgnb,
bestaucdt,bestaucrf\]})
咱们看到依据 AUC 值的最佳模型是奢侈贝叶斯咱们不应该太在意最低的 R2 分数,因为数据十分不均衡(很容易预测 y=0)。在混同矩阵中,咱们看到它预测了丑陋的价值真正值和负值。令咱们诧异的是,决策树的 AUC 约为 50%。
欠采样
咱们尝试对变量 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))
高斯奢侈贝叶斯
print("Train AUC:", metrics.roc\_auc\_score(ygTraom, predsTrain),
"Valid AUC:", metrics.roc\_auc\_score(ygid, preds))
过采样
咱们尝试对变量 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)
高斯奢侈贝叶斯
gaussian.fit(gTriOM, ygrainM)
predsTrain = gaussian.predcti)
论断
咱们看到欠采样和过采样变量 y 对 AUC 没有太大帮忙。
最受欢迎的见解
1. 从决策树模型看员工为什么到职
2.R 语言基于树的办法:决策树,随机森林
3.python 中应用 scikit-learn 和 pandas 决策树
4.机器学习:在 SAS 中运行随机森林数据分析报告
5.R 语言用随机森林和文本开掘进步航空公司客户满意度
6. 机器学习助推快时尚精准销售工夫序列
7. 用机器学习辨认一直变动的股市情况——隐马尔可夫模型的利用
8.python 机器学习:举荐零碎实现(以矩阵合成来协同过滤)
9.python 中用 pytorch 机器学习分类预测银行客户散失