ML之RF：利用Pipeline(客戶年齡/職業/婚姻/教育/違約/余額/住房等)預測客戶是否購買該銀行的產品二分類(預測、推理)

?

?

?

?

目錄

利用Pipeline(客戶年齡/職業/婚姻/教育/違約/余額/住房等)預測客戶是否購買該銀行的產品二分類(預測、推理)

數據說明

輸出結果

查看數據分布

?分析數據

輸出訓練過程

導出推理結果

---

?

?

?

相關文章
ML之RF：利用Pipeline(客戶年齡/職業/婚姻/教育/違約/余額/住房等)預測客戶是否購買該銀行的產品二分類(預測、推理)
ML之RF：利用Pipeline(客戶年齡/職業/婚姻/教育/違約/余額/住房等)預測客戶是否購買該銀行的產品二分類(預測、推理)全部代碼

利用Pipeline(客戶年齡/職業/婚姻/教育/違約/余額/住房等)預測客戶是否購買該銀行的產品二分類(預測、推理)

數據說明

? ? ? ? 該數據集是葡萄牙銀行機構進行營銷活動所得。這些營銷活動一般以電話為基礎，銀行的客服人員至少聯系客戶一次，以確認客戶是否有意愿購買該銀行的產品（定期存款）。目標是預測客戶是否購買該銀行的產品。

NO字段名稱數據類型字段描述

1	ID	Int	客戶唯一標識
2	age	Int	客戶年齡
3	job	String	客戶的職業
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	是否有個人貸款
10	contact	String	與客戶聯系的溝通方式
11	day	Int	最后一次聯系的時間（幾號）
12	month	String	最后一次聯系的時間（月份）
13	duration	Int	最后一次聯系的交流時長
14	campaign	Int	在本次活動中，與該客戶交流過的次數
15	pdays	Int	距離上次活動最后一次聯系該客戶，過去了多久（999表示沒有聯系過）
16	previous	Int	在本次活動之前，與該客戶交流過的次數
17	poutcome	String	上一次活動的結果
18	y	Int	預測客戶是否會訂購定期存款業務

數據參考：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

?

輸出結果

查看數據分布

分析數據

?# ? 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訓練集計算相關系數：?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訓練集 y標簽的比例： 0.11695698542481336 依次查看訓練集、測試集中，類別型字段的細分類 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 .........

導出推理結果

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

總結

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)的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。