银行客户交易行为预测：特征分析

Goodsta

于 2019-03-21 21:07:03 发布

阅读量4.4k

点赞数 1

文章标签：机器学习

本文链接：https://blog.csdn.net/wong2016/article/details/88726012

版权

本文探讨了银行客户交易行为预测的问题，包括数据预处理中缺失值的检查，发现数据集无缺失值。接着分析了二值分类问题，目标变量表示客户是否有交易行为，存在不平衡问题。在特征工程阶段，使用置换重要性和部分依赖图来评估特征的重要性，发现某些特征对预测有显著影响。文章强调了特征工程在模型预测中的关键作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

机器学习训练营——机器学习爱好者的自由交流空间（入群联系qq：2279055353）

数据预处理

缺失数据检查

我们定义一个函数check_missing_data, 它的作用是检查训练集与检验集里是否有缺失值。

def check_missing_data(df):
    flag=df.isna().sum().any()
    if flag==True:
        total = df.isnull().sum()
        percent = (df.isnull().sum())/(df.isnull().count()*100)
        output = pd.concat([total, percent], axis=1, keys=['Total', 'Percent'])
        data_type = []
        # written by MJ Bahmani
        for col in df.columns:
            dtype = str(df[col].dtype)
            data_type.append(dtype)
        output['Types'] = data_type
        return(np.transpose(output))
    else:
        return(False)

print(check_missing_data(train)), print(check_missing_data(test))

最低0.47元/天解锁文章