数据分享：银行营销数据集-电话营销活动记录数据

说明：如需数据可以直接到文章最后关注获取。

1.数据背景    

 Bank Marketing 数据集是机器学习和数据分析领域中广泛使用的另一个经典数据集。该数据集来源于葡萄牙的一家银行，记录了该银行通过电话营销活动推广定期存款产品的客户互动情况。数据集的目标是预测客户是否会订阅（购买）银行的定期存款产品。

数据集的应用场景-Bank Marketing 数据集广泛应用于以下几个领域：

1)分类模型评估：该数据集常用于评估分类算法的性能，尤其是二分类问题。常见的机器学习算法包括决策树、随机森林、支持向量机、逻辑回归、XGBoost 等。由于目标变量存在类别不平衡问题，研究人员通常会使用一些专门的评估指标（如 AUC-ROC、F1 分数、精确率、召回率等）来评估模型的性能。

2)不平衡数据处理：由于目标变量存在明显的类别不平衡问题，该数据集非常适合用于研究如何处理不平衡数据。常见的方法包括过采样（如 SMOTE）、欠采样、加权损失函数等。

3)特征工程：数据集中包含多种类型的特征（数值型、类别型、时间序列特征等），因此它是一个很好的练习特征工程的工具。研究人员可以尝试不同的特征选择、特征编码和特征组合方法，以提高模型的预测性能。

4)时间序列分析：数据集中包含了一些与时间相关的特征（如 day、month、pdays 等），因此也可以用于时间序列分析和建模。例如，研究人员可以探索不同时间段内客户的响应模式，或者分析季节性因素对营销效果的影响。

5)业务优化：该数据集可以帮助银行优化其电话营销策略。通过分析哪些客户更有可能订阅定期存款产品，银行可以更有针对性地选择潜在客户，从而提高营销活动的成功率和效率。

Bank Marketing 数据集是一个经典的机器学习数据集，广泛应用于分类算法的评估、不平衡数据处理、特征工程和时间序列分析等领域。该数据集提供了丰富的客户特征和营销活动信息，涵盖客户的个人特征、社会经济背景、银行账户信息以及与营销活动相关的交互信息。尽管数据集存在一些局限性，但它仍然是一个非常有价值的研究工具，尤其适合初学者和研究人员进行实践和探索。

2.数据介绍

数据格式为csv格式。      

编号	变量名称	描述
1	age	客户的年龄
2	job	客户的职业
3	marital	客户的婚姻状况
4	education	客户的最高学历
5	default	客户是否有信用违约记录
6	balance	客户的银行账户余额（以欧元为单位）
7	housing	客户是否有住房贷款
8	loan	客户是否有个人贷款
9	contact	营销人员与客户联系的方式
10	day	上次联系的日期（一个月中的某一天）
11	month	上次联系的月份
12	duration	上次联系的持续时间（秒）
13	campaign	当前营销活动中与客户的联系次数
14	pdays	自上次营销活动以来的天数（如果从未联系过，则为-1）
15	previous	在当前营销活动之前与客户的联系次数
16	poutcome	上次营销活动的结果（如成功、失败、未知等）
17	y	客户是否订阅了定期存款产品（yes 或 no）

数据详情如下(部分展示)：

文本特征说明：

job：

admin.：行政人员（如办公室管理人员、文员等）

blue-collar：蓝领工人（如工厂工人、建筑工人、技术工人等）

entrepreneur：企业家（如企业主、自雇人士等）

housemaid：家庭佣工（如清洁工、保姆等）

management：管理层（如经理、主管等）

retired：退休人员

self-employed：自雇人士（如自由职业者、个体经营者等）

services：服务业人员（如酒店、餐饮、零售等行业员工）

student：学生

technician：技术人员（如工程师、程序员、维修人员等）

unemployed：失业人员

unknown：未知（数据缺失或无法确定）

marital：

married：已婚

divorced：离婚

single：未婚（包括从未结婚和丧偶）

education：

tertiary（高等教育）：

描述：表示客户完成了大学本科或以上的教育，包括学士学位、硕士学位、博士学位等。

secondary（中等教育）：

描述：表示客户完成了高中或职业培训课程，但未接受过高等教育。

primary（初等教育）：

描述：表示客户仅完成了小学或初中教育，或者未完成九年义务教育。

3.数据获取

关注下方    回复1008，获取。