原文链接：http://tecdat.cn/?p=26219 

银行数据集

我们的数据集描述

该数据（查看文末了解数据获取方式）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.dtypes
df1

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。

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-2

https://developer.aliyun.com/article/1489341