通过对银行电话营销数据的分析，发现通话时间、营销活动次数、客户联系频率、职业、婚姻状况、教育程度等因素对营销结果有显著影响。模型显示，通话时间长、之前营销活动成功、高教育程度的客户更可能响应营销。建议银行建立客户分类信息系统，提高电话营销技巧，以提升营销成功率。
最近在做答辩，每天做一点，记录在博客里，权当是知识的回顾。
题目要求：
根据以往的电话营销的数据，对用户进行分析，提取有价值的信息，并预测是否响应电话营销。
包含两份数据集
1.bank-additional-full.csv，包含所有数据集，并按日期进行排序，从2008年5月到2010年11月。
2.bank-additional.csv,包含10%的样本，这些样本是随机从bank-additional-full.csv中抽取的。
这份小数据集是用来测试对计算精度要求更高的机器学习算法。
二分类目标是预测客户是否将订阅银行期限存款（变量y）。
数据集包括20个变量（x）和一个目标变量（y）
变量信息：
数值型变量
age：年龄；
duration:最后一次通话时间，单位为秒（数字）。**注释：这个变量高度影响目标变量，用于基准目的，应该被舍弃**；
campaign:此次营销活动联系某一特定客户的次数；（包括上一次联系）
previous :此次营销活动之前联系某一客户的次数；
pdays：距离上次联系某一客户经过的天数（999表示之前未联系客户）;
emp.var.rate：就业变化率 - 季度指标（数字）
cons.price.idx：消费者价格指数 - 月度指标（数字）
cons.conf.idx：消费者信息指数-月度指标（数字）
euribor3m：euribor 3月费率 - 每日指标（数字）
nr.employed：员工人数 - 季度指标（数字）
分类型变量
job：工作（'行政'，'蓝领'，'企业家'，'女佣'，'管理'，'退休'，'个体经营'，'服务'，' ，“技术员”，“失业”，“未知”）；
matital：婚姻状况（分类：'离婚'，'已婚'，'单身'，'未知';注：“离婚”是指离婚或丧偶）
education:教育（'basic.4y', 'basic.6y', 'basic.9y',‘中学’，‘不识字’，‘专科’，‘学士学位’。‘未知’）
default：是否存在信用违约（‘是’，‘否’，‘未知’）
housing：是否存在住房贷款（‘是’，‘否’，‘未知’）
loan：是否有个人的贷款（‘是’，‘否’，‘未知’）
contact:联系的方式（‘固定电话
最低0.47元/天 解锁文章
扫一扫
338
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
