首页 > 编程语言 >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|数据分享|附代码数据

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|数据分享|附代码数据

时间：2023-01-30 19:33:06浏览次数：56  
标签：KNN AUC 变量 PYTHON data 分类 神经网络 数据 我们

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)

图片

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

图片

df2 = data.isnull().sum() 
df2

图片

我们的下一步是计算所有变量的值。

data['y'].value_counts()

图片

data['job'].value_counts()

图片

data['marital'].value_counts()

图片

data['education'].value_counts()

图片

data['housing'].value_counts()

图片

data['loan'].value_counts()

图片

data['contact'].value_counts()

图片

data['month'].value_counts()

图片

data['poutcome'].value_counts()

图片

描述性统计

数值总结

data.head(5)

图片

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

图片

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")

图片

图片

图片

图片

图片

图片

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")

图片

图片

图片

图片

图片

图片

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

图片

图片

图片

图片

图片

图片

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']]

图片

图片

图片

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

图片

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。

图片

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。

图片

大多数有住房贷款的人也拒绝了该提议。

图片

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

图片

用PyTorch机器学习神经网络分类预测银行客户流失模型

图片

左右滑动查看更多

图片

01

图片

02

图片

03

图片

04

图片

数据挖掘

data.head(5)

图片

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

图片

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：

图片

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'])

图片

我们更改了列的名称。

data.head(5)

图片

创建虚拟变量后，我们进行了 Pearson 相关。

age = pearsonr(data['age'], data['y'])

图片

sns.heatmap(corr

图片

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()

图片

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]]

图片

图片

 [[7919   81]
 [ 956   86]]

图片

图片

 [[7952   60]
 [ 971   59]]

图片

图片

 [[7871   82]
 [1024   65]]

图片

图片

 [[7923   69]
 [ 975   75]]

图片

图片

决策树

dt2 = tree.DecisionTreeClassifier(random_state=1, max_depth=2)

 [[7988    0]
 [1055    0]]

图片

图片

 [[7986    0]
 [1056    0]]

图片

图片

 [[7920   30]
 [1061   31]]

图片

图片

 [[8021    0]
 [1021    0]]

图片

图片

 [[7938   39]
 [1039   26]]

图片

图片

随机森林

random_forest = RandomForestClassifier

 [[7812  183]
 [ 891  157]]

图片

图片

 [[7825  183]
 [ 870  164]]

图片

图片

 [[7774  184]
 [ 915  169]]

图片

图片

 [[7770  177]
 [ 912  183]]

图片

图片

 [[7818  196]
 [ 866  162]]

图片

图片

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

图片

 [[7987   30]
 [1010   15]]

图片

图片

 [[7989   23]
 [1017   13]]

图片

图片

 [[7920   22]
 [1083   17]]

图片

图片

 [[7948   21]
 [1052   21]]

图片

图片

高斯朴素贝叶斯

kf = KFold(n_splits=K, shuffle=True)

gaussian = GaussianNB()

 [[7340  690]
 [ 682  331]]

图片

图片

 [[7321  633]
 [ 699  389]]

图片

图片

 [[7291  672]
 [ 693  386]]

图片

图片

 [[7300  659]
 [ 714  369]]

图片

图片

 [[7327  689]
 [ 682  344]]

图片

图片

  

``````
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]})

图片

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

图片

逻辑回归

predsTrain = logreg.predict(gTrainUrandom)

图片

predsTrain = logreg.predict(gTrain20Urandom)

图片

predsTrain = logreg.predict(gTrrandom)

图片

决策树

  

print("Train AUC:", metrics.roc_auc_score(ygTrds))

图片

随机森林

print("Train AUC:", metrics.roc_auc_score(ygTr, predsTrain),
      "Valid AUC:", metrics.roc_auc_score(ygVd, preds))

图片

KNN近邻

print("Train AUC:", metrics.roc_auc_score(ygTrm, predsTrain),
      "Valid AUC:", metrics.roc_auc_score(ygVal10, preds))

图片

高斯朴素贝叶斯

print("Train AUC:", metrics.roc_auc_score(ygTraom, predsTrain),
      "Valid AUC:", metrics.roc_auc_score(ygid, preds))

图片

过采样

我们尝试对变量 y=1 进行过采样

feates = datolist()
print(feures)
feaes.remove('y')

图片

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))

图片

决策树

dt2.fit(,ygTranOS)
predsTrain = dtpreict(TrainOSM)
preds = dt2.predict(gValid)

图片

随机森林

random_forest.fit(rainOSM, ygTranOS)
predsTrain = random_forest.prect(gTraiOSM)
p

图片

KNN近邻

classifier.fit(granOSM, yTanOSM)
predsTrain = classifier.predict(gTaiSM)
preds = classifier.predict(Vaid)

图片

高斯朴素贝叶斯

gaussian.fit(gTriOM, ygrainM)
predsTrain = gaussian.predcti)

图片

结论

我们看到欠采样和过采样变量 y 对 AUC 没有太大帮助。

数据获取

在下面公众号后台回复“银行数****据”，可获取完整数据。

图片

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。

图片

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

标签：KNN,AUC,变量,PYTHON,data,分类,神经网络,数据,我们
From： https://www.cnblogs.com/tecdat/p/17077078.html

相关文章

  • python 获取命令行参数得方法
    方法一1.新建一个getopt_test.py文件importgetoptimportosimportsysdefmain(args):"""getopt(args,shortopts,longopts=[])shortopts：短格......
  • 数据类型
    数据类型基本数据类型整数4个intnum1=10;//最常用bytenum2=20;shortnum3=30;longnum4=30L;//long类型要加L小数2个:浮点数floatnum5=50.1F;//flo......
  • 使用GDB调试python调用的C++共享库
    目录1.首先编写python调用C++的demo2.gdb调试python程序3.全速运行程序4.查看堆栈信息当我们用Python调用C++的库，并且C++库中存在段错误崩溃时，首先想到的还是用gdb......
  • Python和C++联合调试
     python和c++分别在Linux和Windows下联合调试首先创建一个python测试项目和一个c++拓展项目一、在Windows下进行调试1.编译器安装2.C拓展模块安装3.调试......
  • python调用cpp 调试_python和C++联合调试
    python可以利用SO的方式去调用C++中的函数，但是需要一种调试方案来进行python和C++的联合调试，效果是直接在c++代码中打断点，然后python在进行c++so调用的时候，直接进入到断......
  • 一起调试 Python 和 C++
    大多数常规Python调试器支持仅调试Python代码。但是，实际上，Python结合C或C++一起使用时需要高性能或直接调用平台API的能力。（有关演练，请参阅创建适用于Pyth......
  • Linux的多线程下使用c/c++调用Python方法示例
    首先，所有python的函数都是用extern"C"定义的，因此对于C和C++，其使用是一样的。c语言调用python必须要有的API(不管有没有多线程）：  PyRun_SimpleString//执行一段......
  • gdb同时调试python和c++
    说明：当我们的python程序的一些函数的后端实现为C++时（比如Pytorch,TensorFlow或tvm等）可以使用当前方法调试。有两种方式可以安装调试环境：一.搭建环境有两种方式搭建......
  • python的split函数切分字符串时为什么会产生空字符串
    群里的一个小伙伴提了一个问题，他使用split函数切分字符串得到的结果里有空字符串，他对空字符串的出现感到困惑不解。text='1aa2'print(text.split('a'))#['1','',......
  • flask_migrate---处理 sqlalchemy 数据迁移的工具
    1.什么是flask_migrateflask_migrate是专门用来做sqlalchemy数据迁移的工具，当据模型发生变化的时可将修改后的模型重新映射到数据库中，这意味着数据库也将被修改。本文介......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99