收藏关注不迷路
文章目录
前言
本文将logistic回归、K近邻以及决策树算法应用于银行客户失信问题的分析之中,并用python语言编程实现。首先利用随机森林算法得到各特征与目标列之间的相关性系数,选取银行客户数据特征的10个重要特征;采取上述三种方法建立银行客户失信的预测模型,发现只有K近邻的F1-score指标最低,未失信的F1-score为0.98,失信的F1-score为0.72,其他两种模型的F1-score均为1,说明logistic回归以及决策树算法两种模型的预测效果最好。最后针对性的对银行服务项目改进给出建议,从而有效减少银行客户失信率。
关键词:数据挖掘;logistic回归;k-近邻;决策树
一、 研究路线图
图1.1 研究路线图
相关理论:logistic回归,K近邻方法,决策树。
数据预处理:处理数据中的缺失值以及参数变量。
模型训练:三种模型分别训练。
参数对比:对比三种模型之间的结果参数,分析三种模型的优越性。
二、开发环境
2.1 数据挖掘的基本方法
在分析和挖掘过程中,本文主要采用logistic回归,K近邻,以及决策树三种方法进行数据挖掘