拓端tecdat|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 

原文出处：拓端数据部落公众号

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。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。

数据集

下面给出的文件包含5000个客户的数据。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()

1.  
   # 文件中没有列有空数据
2.  
   data.apply(lambda x : sum(x.isnull()))

1.  
   # 对数据进行目测
2.  
   data.describe().transpose()

 

1.  
   #查看有多少不同数据
2.  
   data.apply(lambda x: len(x.unique()))

两两变量散点图

• 年龄 特征通常是分布的，大多数客户年龄在30岁到60岁之间。
• 经验 大多分布在8年以上经验的客户。这里的 平均值 等于中 位数。有负数 。这可能是数据输入错误，因为通常无法衡量负面的工作经验。我们可以删除这些值，因为样本中有3或4条记录。
• 收入出现 正偏斜。大多数客户的收入在45,000到55K之间。我们可以通过说平均值 大于 中位数来确认这一点 
• CCAvg 也是一个正偏变量，平均支出在0K到10K之间，大多数支出不到2.5K
• 抵押 70％的人的抵押贷款少于4万。但是最大值为635K
• 家庭和教育变量是序数变量。家庭分布均匀

有52条记录经验为负数。在进一步进行之前，我们需要对这些记录进行清理

1.  
   data[data['Experience'] < 0]['Experience'].count()
2.  
    

52

1.  
   #清理负数变量
2.  
   dfExp = data.loc[data['Experience'] >0]
3.  
   data.loc[negExp]['ID'].tolist() # 得到有负数经验的客户ID

有52条负面经验的记录

以下代码执行以下步骤：

• 对于具有ID的记录，获取Age column的值 
• 对于具有ID的记录，获取Education column的值 
• 从具有正数经验的记录的数据框中过滤符合以上条件的记录，并取中位数
• 将中位数填充原本负数经验的位置

1.  
    
2.  
   data.loc[np.where(['ID']==id)]["Education"].tolist()[0]
3.  
   df_filtered['Experience'].median()

1.  
   # 检查是否有负数经验的记录
2.  
   data[data['Experience'] < 0]['Experience'].count()
3.  
    

0

收入和教育对个人贷款的影响

boxplot(x='Education',y='Income',data=data)

观察 ：看来教育程度为1的客户收入更高。但是，接受了个人贷款的客户的收入水平相同

推论 ：从上图可以看出，没有个人贷款的客户和拥有个人贷款的客户的抵押贷款较高。

观察 ：大多数没有贷款的客户都有证券账户

观察：家庭人数对个人贷款没有任何影响。但是似乎3岁的家庭更有可能借贷。考虑未来的推广活动时，这可能是一个很好的观察结果。

观察：没有CD帐户的客户，也没有贷款。这似乎占多数。但是几乎所有拥有CD帐户的客户也都有贷款

观察：该图显示有个人贷款的人的信用卡平均费用更高。平均信用卡消费中位数为3800元，表明个人贷款的可能性更高。较低的信用卡支出（中位数为1400元）不太可能获得贷款。这可能是有用的信息。

观察 上图显示与经验和年龄呈正相关。随着经验的增加，年龄也会增加。颜色也显示教育程度。四十多岁之间存在差距，大学以下的人也更多

1.  
   # 与热图的关联性
2.  
    
3.  
   corr = data.corr()
4.  
   plt.figure(figsize=(13,7))
5.  
   # 创建一个掩码，以便我们只看到一次相关的值
6.  
    
7.  
   a = sns.heatmap(corr,mask=mask, annot=True, fmt='.2f')

观察

• 收入和CCAvg呈中等相关。
• 年龄和工作经验高度相关

sns.boxplot

看下面的图，收入低于10万的家庭比高收入的家庭更不可能获得贷款。

应用模型

将数据分为训练集和测试集

1.  
   train_labels = train_set
2.  
   test_labels = test_set

决策树分类器

DecisionTreeClassifier(class_weight=None, criterion='entropy', ...)

dt_model.score

0.9773333333333334

dt_model.predict(test_set)

预测

array([0, 0, 0, 0, 0])

查看测试集 

test_set.head(5)

朴素贝叶斯

1.  
   naive_model.fit(train_set, train_labels)
2.  
   naive_model.score

0.8866666666666667

随机森林分类器

RandomForestClassifier(max_depth=2, random_state=0)

Importance.sort_values

randomforest_model.score(test_set,test_labels)

0.8993333333333333

KNN（K-最近邻居）

1.  
   data.drop(['Experience' ,'ID'] , axis = 1).drop(labels= "PersonalLoan" , axis = 1)
2.  
   train_set_dep = data["PersonalLoan"]

1.  
    
2.  
   acc = accuracy_score(Y_Test, predicted)
3.  
   print(acc)

0.9106070713809206

模型比较

1.  
    
2.  
   for name, model in models:
3.  
   kfold = model_selection.KFold(n_splits=10)
4.  
   cv_results = model_selection.cross_val_score(model, X, y, cv, scoring)
5.  
    
6.  
    
7.  
   # 箱线图算法的比较
8.  
   plt.figure()

 

结论

通用银行的目的是将负债客户转变为贷款客户。他们想发起新的营销活动；因此，他们需要有关数据中给出的变量之间的有联系的信息。本研究使用了四种分类算法。从上图可以看出，随机森林 算法似乎 具有最高的精度，我们可以选择它作为最终模型。

---

最受欢迎的见解

1.从决策树模型看员工为什么离职

2.R语言基于树的方法：决策树，随机森林

3.python中使用scikit-learn和pandas决策树

4.机器学习：在SAS中运行随机森林数据分析报告

5.R语言用随机森林和文本挖掘提高航空公司客户满意度

6.机器学习助推快时尚精准销售时间序列

7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用

8.python机器学习：推荐系统实现（以矩阵分解来协同过滤）

9.python中用pytorch机器学习分类预测银行客户流失