ML之RF：利用Pipeline(客戶年齡/職業(yè)/婚姻/教育/違約/余額/住房等)預(yù)測(cè)客戶是否購買該銀行的產(chǎn)品二分類(預(yù)測(cè)、推理)

?

?

?

?

目錄

利用Pipeline(客戶年齡/職業(yè)/婚姻/教育/違約/余額/住房等)預(yù)測(cè)客戶是否購買該銀行的產(chǎn)品二分類(預(yù)測(cè)、推理)

數(shù)據(jù)說明

輸出結(jié)果

查看數(shù)據(jù)分布

?分析數(shù)據(jù)

輸出訓(xùn)練過程

導(dǎo)出推理結(jié)果

---

?

?

?

相關(guān)文章
ML之RF：利用Pipeline(客戶年齡/職業(yè)/婚姻/教育/違約/余額/住房等)預(yù)測(cè)客戶是否購買該銀行的產(chǎn)品二分類(預(yù)測(cè)、推理)
ML之RF：利用Pipeline(客戶年齡/職業(yè)/婚姻/教育/違約/余額/住房等)預(yù)測(cè)客戶是否購買該銀行的產(chǎn)品二分類(預(yù)測(cè)、推理)全部代碼

利用Pipeline(客戶年齡/職業(yè)/婚姻/教育/違約/余額/住房等)預(yù)測(cè)客戶是否購買該銀行的產(chǎn)品二分類(預(yù)測(cè)、推理)

數(shù)據(jù)說明

? ? ? ? 該數(shù)據(jù)集是葡萄牙銀行機(jī)構(gòu)進(jìn)行營銷活動(dòng)所得。這些營銷活動(dòng)一般以電話為基礎(chǔ)，銀行的客服人員至少聯(lián)系客戶一次，以確認(rèn)客戶是否有意愿購買該銀行的產(chǎn)品（定期存款）。目標(biāo)是預(yù)測(cè)客戶是否購買該銀行的產(chǎn)品。

NO字段名稱數(shù)據(jù)類型字段描述

1	ID	Int	客戶唯一標(biāo)識(shí)
2	age	Int	客戶年齡
3	job	String	客戶的職業(yè)
4	marital	String	婚姻狀況
5	education	String	受教育水平
6	default	String	是否有違約記錄
7	balance	Int	每年賬戶的平均余額
8	housing	String	是否有住房貸款
9	loan	String	是否有個(gè)人貸款
10	contact	String	與客戶聯(lián)系的溝通方式
11	day	Int	最后一次聯(lián)系的時(shí)間（幾號(hào)）
12	month	String	最后一次聯(lián)系的時(shí)間（月份）
13	duration	Int	最后一次聯(lián)系的交流時(shí)長
14	campaign	Int	在本次活動(dòng)中，與該客戶交流過的次數(shù)
15	pdays	Int	距離上次活動(dòng)最后一次聯(lián)系該客戶，過去了多久（999表示沒有聯(lián)系過）
16	previous	Int	在本次活動(dòng)之前，與該客戶交流過的次數(shù)
17	poutcome	String	上一次活動(dòng)的結(jié)果
18	y	Int	預(yù)測(cè)客戶是否會(huì)訂購定期存款業(yè)務(wù)

數(shù)據(jù)參考：Citation:?[Moro et al., 2014] S. Moro, P. Cortez and P. Rita. A Data-Driven Approach to Predict the Success of Bank Telemarketing. Decision Support Systems, Elsevier, 62:22-31, June 2014

?

輸出結(jié)果

查看數(shù)據(jù)分布

分析數(shù)據(jù)

?# ? Column ? ? Non-Null Count ?Dtype? --- ?------ ? ? -------------- ?-----?0 ? ID ? ? ? ? 25317 non-null ?int64?1 ? age ? ? ? ?25317 non-null ?int64?2 ? job ? ? ? ?25317 non-null ?object3 ? marital ? ?25317 non-null ?object4 ? education ?25317 non-null ?object5 ? default ? ?25317 non-null ?object6 ? balance ? ?25317 non-null ?int64?7 ? housing ? ?25317 non-null ?object8 ? loan ? ? ? 25317 non-null ?object9 ? contact ? ?25317 non-null ?object10 ?day ? ? ? ?25317 non-null ?int64?11 ?month ? ? ?25317 non-null ?object12 ?duration ? 25317 non-null ?int64?13 ?campaign ? 25317 non-null ?int64?14 ?pdays ? ? ?25317 non-null ?int64?15 ?previous ? 25317 non-null ?int64?16 ?poutcome ? 25317 non-null ?object17 ?y ? ? ? ? ?25317 non-null ?int64? dtypes: int64(9), object(9) memory usage: 3.5+ MB訓(xùn)練集計(jì)算相關(guān)系數(shù)：?y ? ? ? ? ? 1.000000 ID ? ? ? ? ?0.556627 duration ? ?0.394746 pdays ? ? ? 0.107565 previous ? ?0.088337 campaign ? ?0.075173 balance ? ? 0.057564 day ? ? ? ? 0.031886 age ? ? ? ? 0.029916訓(xùn)練集 y標(biāo)簽的比例： 0.11695698542481336 依次查看訓(xùn)練集、測(cè)試集中，類別型字段的細(xì)分類 job ['admin.', 'blue-collar', 'entrepreneur', 'housemaid', 'management', 'retired', 'self-employed', 'services', 'student', 'technician', 'unemployed', 'unknown'] job ['admin.', 'blue-collar', 'entrepreneur', 'housemaid', 'management', 'retired', 'self-employed', 'services', 'student', 'technician', 'unemployed', 'unknown'] marital ['divorced', 'married', 'single'] marital ['divorced', 'married', 'single'] education ['primary', 'secondary', 'tertiary', 'unknown'] education ['primary', 'secondary', 'tertiary', 'unknown'] default ['no', 'yes'] default ['no', 'yes'] housing ['no', 'yes'] housing ['no', 'yes'] loan ['no', 'yes'] loan ['no', 'yes'] contact ['cellular', 'telephone', 'unknown'] contact ['cellular', 'telephone', 'unknown'] month ['apr', 'aug', 'dec', 'feb', 'jan', 'jul', 'jun', 'mar', 'may', 'nov', 'oct', 'sep'] month ['apr', 'aug', 'dec', 'feb', 'jan', 'jul', 'jun', 'mar', 'may', 'nov', 'oct', 'sep'] poutcome ['failure', 'other', 'success', 'unknown'] poutcome ['failure', 'other', 'success', 'unknown']

輸出訓(xùn)練過程

Fitting 7 folds for each of 32 candidates, totalling 224 fits [Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers. [CV] forst_reg__max_features=45, forst_reg__n_estimators=50 .......... [CV] forst_reg__max_features=45, forst_reg__n_estimators=50 .......... [CV] forst_reg__max_features=45, forst_reg__n_estimators=50 .......... [CV] forst_reg__max_features=45, forst_reg__n_estimators=50 .......... [CV] forst_reg__max_features=45, forst_reg__n_estimators=50, total= 31.1s [CV] forst_reg__max_features=45, forst_reg__n_estimators=50 .......... [CV] forst_reg__max_features=45, forst_reg__n_estimators=50, total= 31.0s [CV] forst_reg__max_features=45, forst_reg__n_estimators=50 .......... [CV] forst_reg__max_features=45, forst_reg__n_estimators=50, total= 31.7s [CV] forst_reg__max_features=45, forst_reg__n_estimators=50 .......... [CV] forst_reg__max_features=45, forst_reg__n_estimators=50, total= 32.2s [CV] forst_reg__max_features=45, forst_reg__n_estimators=100 ......... [CV] forst_reg__max_features=45, forst_reg__n_estimators=50, total= 27.1s [CV] forst_reg__max_features=45, forst_reg__n_estimators=100 ......... [CV] forst_reg__max_features=45, forst_reg__n_estimators=50, total= 27.1s [CV] forst_reg__max_features=45, forst_reg__n_estimators=50, total= 26.6s [CV] forst_reg__max_features=45, forst_reg__n_estimators=100 ......... [CV] forst_reg__max_features=45, forst_reg__n_estimators=100 .........

導(dǎo)出推理結(jié)果

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的ML之RF：利用Pipeline(客户年龄/职业/婚姻/教育/违约/余额/住房等)预测客户是否购买该银行的产品二分类(预测、推理)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。