随机森林：提供银行精准营销解决方案

最新推荐文章于 2022-11-08 17:24:51 发布
最新推荐文章于 2022-11-08 17:24:51 发布
阅读量2k 收藏 20
点赞数 4
分类专栏： 人工智能 机器学习 文章标签： 随机森林 精准营销

原文地址：https://blog.csdn.net/weixin_34233679/article/details/88480912

本例是根据科赛网练习赛进行练手，学习巩固一下随机森林建模以及应用。

  • 赛题描述

本练习赛的数据，选自UCI机器学习库中的「银行营销数据集(Bank Marketing Data Set)」

这些数据与葡萄牙银行机构的营销活动相关。这些营销活动以电话为基础，一般，银行的客服人员需要联系客户至少一次，以此确认客户是否将认购该银行的产品（定期存款）。

因此，与该数据集对应的任务是「分类任务」，「分类目标」是预测客户是(' 1 ')或者否(' 0 ')购买该银行的产品。

  • 导入相关库

   
   
  1. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       from sklearn.ensemble 
       
       import RandomForestClassifier
      
      
    
     
     
  2. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       from sklearn.model_selection 
       
       import GridSearchCV
      
      
    
     
     
  3. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       from sklearn.model_selection 
       
       import cross_val_score
      
      
    
     
     
  4. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       import matplotlib.pyplot 
       
       as plt
      
      
    
     
     
  5. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       import pandas 
       
       as pd
      
      
    
     
     
  6. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       import numpy 
       
       as np
  • 查看数据集

   
   
  1. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       data = pd.read_csv(
       
       'train_set.csv')
      
      
    
     
     
  2. 
     
     
    
      
      
    
     
     
    
     
     
    
      
      
    
       
       data.head()
14645088-867458183d2ebee2.png

字段分别为表示为客户ID、年龄、职业、婚姻状况、受教育水平、是否有违约记录、每年账户的平均余额、是否有住房贷款、是否有个人贷款、与客户联系的沟通方式、最后一次联系的时间（几号）、最后一次联系的时间（月份）、最后一次联系的交流时长、在本次活动中，与该客户交流过的次数、距离上次活动最后一次联系该客户，过去了多久（999表示没有联系过）、在本次活动之前，与该客户交流过的次数、上一次活动的结果、预测客户是否会订购定期存款业务。
数据集没有缺失值，不需要填充。

  • 查看数据概述
data.describe()
14645088-08feb3f52b30964f.png

从表格可以看出，客户最大年龄为95，最小年龄为18，平均年龄为41。"在距离上次活动最后一次联系该客户，过去了多久"这个字段中最小为-1，最大为854，并没有999。可以推断，应该-1表示为没联系过。

由于最后一次联系的时间（几号）、最后一次联系的时间（月份）、距离上次活动最后一次联系该客户这个三个特征有重合，并且前两个字段无法说明距今时间长度，故删除前两个字段。然后将'job','marital','education','default','housing','loan','contact','poutcome'这些类别变量进行哑变量处理。


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     data.drop([
     
     'ID',
     
     'day',
     
     'month'], axis=
     
     1, inplace=True)
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     dummy = pd.get_dummies(
     
     data[[
     
     'job',
     
     'marital',
     
     'education',
     
     'default',
     
     'housing',
     
     'loan',
     
     'contact',
     
     'poutcome']])
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     data = pd.concat([dummy, 
     
     data], axis=
     
     1)
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     data.drop([
     
     'job',
     
     'marital',
     
     'education',
     
     'default',
     
     'housing',
     
     'loan',
     
     'contact',
     
     'poutcome'], inplace=True, axis=
     
     1)
  • 拆分数据集

 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     from sklearn.model_selection 
     
     import train_test_split
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     X = 
     
     data[
     
     data.columns[:
     
     -1]]
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     y = 
     
     data.y
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     Xtrain, Xtest, ytrian, ytest = train_test_split(X, y, test_size=
     
     0.3, random_state=
     
     90)
  • 确定随机森林数目

 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     scorel = []
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     for i in 
     
     range(
     
     0,
     
     200,
     
     10):
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         rfc = RandomForestClassifier(n_estimators=i+
     
     1,
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                                         n_jobs=
     
     -1,
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                                         random_state=
     
     90)
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         score = cross_val_score(rfc,Xtrain,ytrian,cv=
     
     10).mean()
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         scorel.
     
     append(score)
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(max(scorel),(scorel.index(max(scorel))*
     
     10)+
     
     1)
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     plt.figure(figsize=[
     
     20,
     
     5])
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     plt.plot(
     
     range(
     
     1,
     
     201,
     
     10),scorel)
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     plt.show()

0.8969014833647764 181

14645088-60a6c2c5a445633a.png

通过10重交叉验证，绘制学习曲线，确定模型森林数目为181，最高得分为0.8969
但是我们并不知道最高得分确实在181还是在其附近，所以需在181范围再进行一次验证


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     scorel = []
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     for i in 
     
     range(
     
     175,
     
     186):
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         rfc = RandomForestClassifier(n_estimators=i,
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                                     n_jobs=
     
     -1,
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                                     random_state=
     
     90)
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         score = cross_val_score(rfc,Xtrain,ytrian,cv=
     
     10).mean()
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
         scorel.
     
     append(score)
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     print(max(scorel),([*
     
     range(
     
     175,
     
     186)][scorel.index(max(scorel))]))
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     plt.figure(figsize=[
     
     20,
     
     5])
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     plt.plot(
     
     range(
     
     175,
     
     186),scorel)
    
    
    
   
   
  11. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     plt.show()

0.8969014833647764 181

14645088-c9600f5126581471.png

很巧的是，181就是我们要找的最合适的森林数目。我们确定下来：n_estimators=181

  • 网格搜索法确定其他参数

 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     param_grid = {
     
     'max_depth'
     
     :np.arange(
     
     1, 
     
     20, 
     
     1)}
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     rfc = RandomForestClassifier(n_estimators=
     
     181
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                                 ,random_state=
     
     90
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                                 )
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     GS = GridSearchCV(rfc,param_grid,cv=
     
     10)
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     GS.fit(Xtrain,ytrian)
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     GS.best_params
     
     _
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     GS.best_score
     
     _

{'max_depth': 14} 0.8996106314542068
经过漫长的计算，终于得到了结果。可以看到在树的最大层数为14层时，得到了最高分：0.8996，较之前上升了0.0027。我们确定下来max_depth=14。


 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     param_grid = {
     
     'min_samples_leaf'
     
     :np.arange(
     
     1, 
     
     20, 
     
     1)}
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
     
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     rfc = RandomForestClassifier(n_estimators=
     
     181
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                                ,random_state=
     
     90
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
                                )
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     GS = GridSearchCV(rfc,param_grid,cv=
     
     10)
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     GS.fit(Xtrain,ytrian)
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     GS.best_params
     
     _
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     GS.best_score
     
     _

{'min_samples_leaf': 7} 0.899046329213927
又经过了漫长的等待，我们计算出了最佳min_samples_leaf参数为7， 最佳得分为0.8990。但是得分却下降了0.0006。我们知道决策树和随机森林是天生过拟合的模型。调节参数（预剪枝）几乎都是为了防止模型过拟合，调节min_samples_leaf后，模型就会进入欠拟合状态。所以max_depth=14时，可能是我们的模型已经到达的极限了。想要提升模型准确度，可能需要再从特征工程上着手了，调节其他参数将不再有效。

  • 建立模型

 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     rfc = RandomForestClassifier(n_estimators=181, max_depth=14, random_state=90)
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     rfc.fit(Xtrain, ytrian)
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     rfc.score(Xtest, ytest)

0.9063981042654028
可以看出模型在测试集上的得分为0.906，结果还算不错。

  • 输出比赛结果

 
 
  1. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     data2 = pd.read_csv(
     
     'test_set.csv')
    
    
    
   
   
  2. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     ID = data2.ID
    
    
    
   
   
  3. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     data2.drop([
     
     'ID',
     
     'day',
     
     'month'], axis=
     
     1, inplace=
     
     True)
    
    
    
   
   
  4. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     dummy = pd.get_dummies(data2[[
     
     'job',
     
     'marital',
     
     'education',
     
     'default',
     
     'housing',
     
     'loan',
     
     'contact',
     
     'poutcome']])
    
    
    
   
   
  5. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     data2= pd.concat([dummy, data2], axis=
     
     1)
    
    
    
   
   
  6. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     data2.drop([
     
     'job',
     
     'marital',
     
     'education',
     
     'default',
     
     'housing',
     
     'loan',
     
     'contact',
     
     'poutcome'], axis=
     
     1, inplace=
     
     True)
    
    
    
   
   
  7. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     pred = rfc.predict_proba(data2)
    
    
    
   
   
  8. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     data3 = pd.DataFrame(pred, index=ID, columns=[
     
     'pred0', 
     
     'pred'])
    
    
    
   
   
  9. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     data3.drop(
     
     'pred0', axis=
     
     1, inplace=
     
     True)
    
    
    
   
   
  10. 
   
   
    
    
    
    
   
   
    
   
   
    
    
    
    
     
     data3.to_csv(
     
     'result.csv')

比赛结果要求字段为pred，表示预测客户订购定期存款业务的概率，部分结果如下图


14645088-2c1e45a0f29a25d0.png 
      </div>
                                  </div>
stay_foolish12
关注
专栏目录
机器学习之分类问题实战(基于UCI Bank Marketing Dataset)
weixin_30568715的博客
07-01 6517
导读： 分类问题是机器学习应用中的常见问题，而二分类问题是其中的典型，例如垃圾邮件的识别。本文基于UCI机器学习数据库中的银行营销数据集，从对数据集进行探索，数据预处理和特征工程，到学习模型的评估与选择，较为完整的展示了解决分类问题的大致流程。文中包含了一些常见问题的处理方式，例如缺失值的处理、非数值属性如何编码、如何使用过抽样和欠抽样的方法解决分类问题中正负样本不均衡的问题等等。 作者：...
「二分类算法」提供银行精准营销解决方案(样本不平衡问题)
daryl5的博客
05-30 5484
项目背景 项目来源于Kesci平台：提供银行精准营销解决方案 项目简介 本练习赛的数据，选自UCI机器学习库中的「银行营销数据集(Bank Marketing Data Set)」 这些数据与葡萄牙银行机构的营销活动相关。这些营销活动以电话为基础，一般，银行的客服人员需要联系客户至少一次，以此确认客户是否将认购该银行的产品（定期存款）。 因此，与该数据集对应的任务是「分类任务」，「分类目标」是预测客户是(’ 1 ‘)或者否(’ 0 ')购买该银行的产品。 数据字段说明 本次测评算法为： AUC(Area
「二分类算法」提供银行精准营销解决方案详解（随机森林）
小宫主的博客
04-23 9248
这些数据与葡萄牙银行机构的营销活动相关。这些营销活动以电话为基础，一般，银行的客服人员需要联系客户至少一次，以此确认客户是否将认购该银行的产品（定期存款）。 通过与葡萄牙银行机构的直销活动（电话）有关的一些数据，预测客户是否会订阅定期存款（变量Y）。这对于实际生产有着巨大作用，可以通过这个预测结果对未来的工作进行一个初步规划，同时也可以对某些用户是否会订阅定期存款提供一个参照等； ...
如何助力银行精准营销
08-16 399
如何助力银行精准营销已经越来越成为一个重要的研究课题。小编本文就详细为大家分析一下银行精准营销各方面内容。 在中国，随着富裕人群的不断崛起，银行会对不同资产额的客户提供不同的服务，对于个性化的要求会越来越高。精准营销对于金融业而言显得越来越重要，也将是一个巨大的待开拓的市场，必能宝认为这其中的市场空间巨大，纸质信函存在的价值依然很大，必能宝所提供的账单一体化解决方案的应用范围非常广泛。...
kesci数据分类练习赛：提供银行精准营销解决方案(附源码)
qq_43012160的博客
07-29 2520
(kesci数据分类预测)提供银行精准营销解决方案练习赛 kesci的一个练习赛：https://www.kesci.com/home/competition/5c234c6626ba91002bfdfdd3/content 赛题描述 训练集有20000多条，测试集10000多条，16维特征，最后有两种结果分类：0（不会买银行的产品）和1（会买银行的产品）： 数据预处理 先引入包和读入数据集（包括...
银行营销数据集
不务正业的猿
08-17 2561
分类目标是预测客户是否会认购定期存款
提供银行精准营销解决方案.zip
07-03
以下是对"提供银行精准营销解决方案"的详细解析： 一、数据的重要性 在银行精准营销中，数据是关键。这包括客户的交易记录、信用评分、消费习惯、社交媒体行为等多维度信息。通过对这些数据的深度分析，银行可以...
「二分类算法」提供银行精准营销解决方案数据集
05-23
在这个银行数据集的应用中，我们可以使用多种二分类算法，例如逻辑回归、支持向量机、决策树、随机森林或者现代的深度学习模型，如神经网络。 在构建模型时，我们需要考虑特征选择、模型训练、超参数调优和性能度量...
「二分类算法」提供银行精准营销解决方案
qq_32811823的博客
07-28 1752
银行精准营销解决方案 营销活动以电话为基础，一般，银行的客服人员需要联系客户至少一次。 数据集中包含有客户年龄，职业婚姻，教育水平等信息，通过这些信息建模，预测客户是否将认购该银行的产品 一.数据和库的导入 import datetime import pandas as pd import numpy as np import os import seaborn as sns import re...
多分类问题的救星：随机森林解决方案与one-vs-all策略
[多分类问题的救星：随机森林解决方案与one-vs-all策略](https://bbs.spsspro.com/api/v2/files/1830) # 1. 多分类问题概述与挑战 在机器学习领域，多分类问题是核心研究议题之一，它涉及对输入数据进行准确分类的...
Bank Marketing Dataset银行营销数据集-数据集
03-11
Bank Marketing Dataset is related with direct marketing campaigns (phone calls) of a Portuguese banking institution.本数据集源自葡萄牙银行机构的一项电话营销活动。 bank-full.csv bank.csv bank-additional.csv bank-additional-full.csv
商业银行基于大数据的精准营销解决方案
05-29
商业银行 基于 大数据 的 精准营销 解决方案
Portuguese-Bank-Marketing-Data-Set:使用银行营销数据集的葡萄牙营销活动的数据科学项目
03-27
葡萄牙银行营销数据集 笔记： 该项目由书面作者:copyright:版权所有，因此任何材料都不能直接复制。 如果您想使用任何代码，图片或书面分析，请发送电子邮件至： 文件中已明确引用了项目中使用的任何材料-使用这些资源没有任何限制（除非那些作者另有说明）。 项目概况： 一家葡萄牙银行机构开展了直接营销活动，以评估客户是否会订阅某种产品（银行定期存款）。 市场营销活动基于电话，有时需要与同一个客户进行多次联系。 main_data.csv数据集包含与19个不同变量联系的所有客户的数据。 表1中提供了这些变量的描述。prior_campaigns.csv数据集包含先前活动中的4个不同变量。 项目目的： 分析这些数据，解释任何分析和结论。 这包括从数据中获得的定量（探索性数据分析或汇总统计）和定性（解释和上下文）见解。 我们希望帮助银行预测哪些类型的客户更倾向于认购银行定期存款，即要锁定谁，以及特定客户
Bank-marketing-Analysis:数据与葡萄牙银行机构的直接营销活动有关。 市场营销活动以电话为基础。 通常，需要访问同一个客户的多个联系人，以便访问产品（银行定期存款）是否（“是”）订阅（“否”）
04-01
银行营销分析 数据与葡萄牙银行机构的直接营销活动有关。 市场营销活动以电话为基础。 为了访问产品（银行定期存款）是否（“是”）订阅（“否”），通常需要与同一客户进行多次联系。
Bank-Marketing-Data-Analysis:机器学习模式识别模型，用于根据给定的营销活动相关数据来分析和预测客户是否会订阅定期存款
05-15
银行营销数据分析 要求 Python 2.7 脾气暴躁> = 1.14.2 Matplotlib> = 2.2.0 熊猫> = 0.22.0 Scikit-Learn> = 0.19.1 描述 银行营销数据集是从葡萄牙语的一家银行机构的直接营销活动中收集的。 营销活动可以理解为打给客户的电话，说服他们接受他们向其银行存入定期存款。 每次通话后，他们被记为否-是客户未存入保证金，是-是通话中接受接受存入的客户。 该项目的目的是根据客户的信息预测应召客户是否愿意存入定期存款。 该项目考虑的银行营销数据集仅占全部可用数据集的一小部分（10％）。 该数据集包含约4119行数据，其中包含19个功能部件和1列Class信息。 数据集的主要问题是： 需要进行预处理以填充数据集中的未知值 需要进行预处理以决定分类数据和连续数据的使用 数据是类别不平衡的（与类别0的数量（否）相比，类别1
精准营销，我们这样做
a603149412的博客
04-16 708
品牌和营销，一直以来都是影响企业发展的重要因素，前者决定知名度，后者决定业务量。由于追求的最终结果不同，二者的用户策略也有所不同，品牌传播要大众，营销却一定要精准。 品牌传播其实是得人心的过程，通过持续的大众传播让自身品牌获得更多人的认知，久而久之形成品牌认可度，从而带动销量的上升，例如OPPO、VIVO，从名不见经传一跃成为全球销量前五的手机品牌，就是得益于近几年持续地进行品牌冠名、品牌赞助。 ...
利用stacking 提供银行精准营销解决方案（深度之眼比赛）
qq_21521561的博客
07-05 1179
import pandas as pd import numpy as np import warnings from tqdm import tqdm %matplotlib inline from sklearn.preprocessing import LabelEncoder from scipy import sparse from sklearn.model_selection im...
机器学习之「二分类算法」-----银行营销案例分析
热门推荐
weixin_44696674的博客
03-06 1万+
背景 数据共41188条，选自UCI机器学习库中的「银行营销数据集(Bank Marketing Data Set)」，这些数据与葡萄牙银行机构的营销活动相关。这些营销活动以电话为基础，一般，银行的客服人员需要联系客户至少一次，以此确认客户是否将认购该银行的产品（定期存款）。 通过与葡萄牙银行机构的直销活动（电话）有关的一些数据，预测客户是否会订阅定期存款（变量Y）。这对于实际生产有着巨大作用，可...
银行营销数据分析---Python(numpy、pandas、matplotlib)
最新发布
c
11-08 8610
本项目采取的是kaggle银行营销的数据源，使用numpy、pandas、matplotlib数据分析三件套，基于源数据，深入分析影响银行三大业务—存款、贷款、营销产品的因素。
随机森林变量重要性偏差分析：方法、影响及解决方案
这篇论文深入剖析了随机森林变量重要性测量中的偏差问题，并提供了解决方案，推动了统计学和机器学习方法在实际应用中的进一步优化。通过实证研究和案例分析，研究人员和数据分析师现在可以更好地利用这种改进的方法...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值