项目背景：银行的主要盈利业务靠的是贷款，这些客户中的大多数是存款大小不等的责任客户（存款人）。银行拥有不断增长的客户。该银行希望增加借款人（资产客户），开展更多的贷款业务，并通过贷款利息赚取更多利润。因此，银行希望将负债的客户转换为个人贷款客户。（同时保留他们作为存款人）。该银行去年针对负债客户开展的一项活动显示，成功实现了9％以上的成功转化率。该部门希望建立一个模型，来帮助他们确定购买贷款可能性更高的潜在客户。可以增加成功率，同时降低成本。
数据集
下面给出的文件包含5000个客户的数据。数据包括客户人口统计信息（年龄，收入等），客户与银行的关系（抵押，证券账户等）以及客户对上次个人贷款活动的因变量（个人贷款）。在这5000个客户中，只有480个（= 9.6％）接受了先前活动中提供给他们的个人贷款
data.head()
data.columns
属性信息
属性可以相应地划分：
- 变量 ID 一个人的客户ID与贷款之间没有关联，也无法为将来的潜在贷款客户提供任何一般性结论。我们可以忽略此信息进行模型预测。
二进制类别具有五个变量，如下所示：
- 个人贷款-该客户是否接受上一个广告系列提供的个人贷款？ 这是我们的目标变量
- 证券帐户-客户在银行是否有证券帐户？
- CD帐户-客户在银行是否有存款证明（CD）帐户？
- 网上银行-客户是否使用网上银行？
- 信用卡-客户是否使用银行发行的信用卡？
数值变量如下：
- 年龄-客户的年龄
- 工作经验
- 收入-年收入（元）
- CCAvg-平均信用卡消费
- 抵押-房屋抵押价值
有序分类变量是：
- 家庭-客户的家庭人数
- 教育程度-客户的教育程度
标称变量是：
- ID
- 邮政编码
data.shape
data.info()
# 文件中没有列有空数据
data.apply(lambda x : sum(x.isnull()))
# 对数据进行目测
data.describe().transpose()
#查看有多少不同数据
data.apply(lambda x: len(x.unique()))
两两变量散点图
- 年龄 特征通常是分布的，大多数客户年龄在30岁到60岁之间。
- 经验 大多分布在8年以上经验的客户。这里的 平均值 等于中 位数。有负数 。这可能是数据输入错误，因为通常无法衡量负数的工作经验。我们可以删除这些值，因为样本中有3或4条记录。
- 收入出现 正偏斜。大多数客户的收入在45,000到55K之间。我们可以通过说平均值 大于 中位数来确认这一点
- CCAvg 也是一个正偏变量，平均支出在0K到10K之间，大多数支出不到2.5K
- 抵押 70％的人的抵押贷款少于4万。但是最大值为635K
- 家庭和教育变量是序数变量。家庭分布均匀
有52条记录经验为负数。在进一步进行之前，我们需要对这些记录进行清理
data\[data\['Experience'\] < 0\]\['Experience'\].count()
52
#清理负数变量
dfExp = data.loc\[data\['Experience'\] >0\]
data.loc\[negExp\]\['ID'\].tolist() # 得到有负数经验的客户ID
有52条负数经验的记录
以下代码执行以下步骤：
- 对于具有ID的记录，获取
Agecolumn的值 - 对于具有ID的记录，获取
Educationcolumn的值 - 从具有正数经验的记录的数据框中过滤符合以上条件的记录，并取中位数
- 将中位数填充原本负数经验的位置
data.loc\[np.where(\['ID'\]==id)\]\["Education"\].tolist()\[0\]
df_filtered\['Experience'\].median()
# 检查是否有负数经验的记录
data\[data\['Experience'\] < 0\]\['Experience'\].count()
0
收入和教育对个人贷款的影响
boxplot(x='Education',y='Income',data=data)
观察 ：看来教育程度为1的客户收入更高。但是，接受了个人贷款的客户的收入水平相同
推论 ：从上图可以看出，没有个人贷款的客户和拥有个人贷款的客户的抵押贷款较高。
观察 ：大多数没有贷款的客户都有证券账户
观察：家庭人数对个人贷款没有任何影响。但是似乎3岁的家庭更有可能借贷。考虑未来的推广活动时，这可能是一个很好的观察结果。
观察：没有CD帐户的客户，也没有贷款。这似乎占多数。但是几乎所有拥有CD帐户的客户也都有贷款
观察：该图显示有个人贷款的人的信用卡平均费用更高。平均信用卡消费中位数为3800元，表明个人贷款的可能性更高。较低的信用卡支出（中位数为1400元）不太可能获得贷款。这可能是有用的信息。
观察 上图显示与经验和年龄呈正相关。随着经验的增加，年龄也会增加。颜色也显示教育程度。四十多岁之间存在差距，大学以下的人也更多
# 与热图的关联性
corr = data.corr()
plt.figure(figsize=(13,7))
# 创建一个掩码，以便我们只看到一次相关的值
a = sns.heatmap(corr,mask=mask, annot=True, fmt='.2f')
观察
- 收入和CCAvg呈中等相关。
- 年龄和工作经验高度相关
sns.boxplot
看下面的图，收入低于10万的家庭比高收入的家庭更不可能获得贷款。
应用模型
将数据分为训练集和测试集
train\_labels = train\_set test\_labels = test\_set
决策树分类器
DecisionTreeClassifier(class_weight=None, criterion='entropy', ...)
dt_model.score
0.9773333333333334
dt\_model.predict(test\_set)
预测
array(\[0, 0, 0, 0, 0\])
查看测试集
test_set.head(5)
朴素贝叶斯
naive\_model.fit(train\_set, train_labels)
naive_model.score
0.8866666666666667
随机森林分类器
RandomForestClassifier(max\_depth=2, random\_state=0)
Importance.sort_values
randomforest\_model.score(test\_set,test_labels)
0.8993333333333333
KNN（K-最近邻居）
data.drop(\['Experience' ,'ID'\] , axis = 1).drop(labels= "PersonalLoan" , axis = 1) train\_set\_dep = data\["PersonalLoan"\] acc = accuracy\_score(Y\_Test, predicted) print(acc) 0.9106070713809206
模型比较
for name, model in models: kfold = model\_selection.KFold(n\_splits=10) cv\_results = model\_selection.cross\_val\_score(model, X, y, cv, scoring)
# 箱线图算法的比较
plt.figure()
结论
通用银行的目的是将负债客户转变为贷款客户。他们想发起新的营销活动；因此，他们需要有关数据中给出的变量之间的有联系的信息。本研究使用了四种分类算法。从上图可以看出，随机森林 算法似乎 具有最高的精度，我们可以选择它作为最终模型。
