原文链接：/?p=26219

原文出处：拓端数据部落公众号

银行数据集

我们的数据集描述

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。

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.dtypesdf1

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。

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=5kf = 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。

最受欢迎的见解

1.从决策树模型看员工为什么离职

2.R语言基于树的方法：决策树，随机森林

3.python中使用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挖掘提高航空公司客户满意度

6.机器学习助推快时尚精准销售时间序列

7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用

8.python机器学习：推荐系统实现（以矩阵分解来协同过滤）

9.python中用pytorch机器学习分类预测银行客户流失

拓端tecdat|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