数据分享|Python决策树、随机森林、朴素贝叶斯、KNN（K-最近邻居）分类分析银行拉新活动挖掘潜在贷款客户...

原文链接：http://tecdat.cn/?p=23518

项目背景：银行的主要盈利业务靠的是贷款，这些客户中的大多数是存款大小不等的责任客户（存款人）。银行拥有不断增长的客户（点击文末“阅读原文”获取完整代码数据）。

该银行希望增加借款人（资产客户），开展更多的贷款业务，并通过贷款利息赚取更多利润。因此，银行希望将负债的客户转换为个人贷款客户。（同时保留他们作为存款人）。该银行去年针对负债客户开展的一项活动显示，成功实现了9％以上的成功转化率。该部门希望建立一个模型，来帮助他们确定购买贷款可能性更高的潜在客户。可以增加成功率，同时降低成本。

相关视频

数据集

下面给出的文件包含5000个客户的数据（查看文末了解数据获取方式）。数据包括客户人口统计信息（年龄，收入等），客户与银行的关系（抵押，证券账户等）以及客户对上次个人贷款活动的因变量（个人贷款）。在这5000个客户中，只有480个（= 9.6％）接受了先前活动中提供给他们的个人贷款

data.head()

data.columns

属性信息

属性可以相应地划分：

• 变量 ID 一个人的客户ID与贷款之间没有关联，也无法为将来的潜在贷款客户提供任何一般性结论。我们可以忽略此信息进行模型预测。

二进制类别具有五个变量，如下所示：

• 个人贷款-该客户是否接受上一个广告系列提供的个人贷款？ 这是我们的目标变量

• 证券帐户-客户在银行是否有证券帐户？

• CD帐户-客户在银行是否有存款证明（CD）帐户？

• 网上银行-客户是否使用网上银行？

• 信用卡-客户是否使用银行发行的信用卡？

数值变量如下：

• 年龄-客户的年龄

• 工作经验

• 收入-年收入（元）

• CCAvg-平均信用卡消费

• 抵押-房屋抵押价值

有序分类变量是：

• 家庭-客户的家庭人数

• 教育程度-客户的教育程度

标称变量是：

• ID

• 邮政编码

data.shape

data.info()

# 文件中没有列有空数据
data.apply(lambda x : sum(x.isnull()))

# 对数据进行目测
data.describe().transpose()