文件名称：Bank-Marketing-Data-Analysis:机器学习模式识别模型，用于根据给定的营销活动相关数据来分析和预测客户是否会订阅定期存款
文件大小：4.92MB
文件格式：ZIP
更新时间：2024-06-04 02:52:10
python random-forest pandas-dataframe histogram cross-validation
银行营销数据分析 要求 Python 2.7 脾气暴躁> = 1.14.2 Matplotlib> = 2.2.0 熊猫> = 0.22.0 Scikit-Learn> = 0.19.1 描述 银行营销数据集是从葡萄牙语的一家银行机构的直接营销活动中收集的。 营销活动可以理解为打给客户的电话，说服他们接受他们向其银行存入定期存款。 每次通话后，他们被记为否-是客户未存入保证金，是-是通话中接受接受存入的客户。 该项目的目的是根据客户的信息预测应召客户是否愿意存入定期存款。 该项目考虑的银行营销数据集仅占全部可用数据集的一小部分（10％）。 该数据集包含约4119行数据，其中包含19个功能部件和1列Class信息。 数据集的主要问题是： 需要进行预处理以填充数据集中的未知值 需要进行预处理以决定分类数据和连续数据的使用 数据是类别不平衡的（与类别0的数量（否）相比，类别1
【文件预览】：
Bank-Marketing-Data-Analysis-master
----mlp.py(1KB)
----svm_pca.py(4KB)
----random_forest.py(3KB)
----logistic_regression.py(3KB)
----svm.py(4KB)
----Outputs()
--------lr-3-test.png(29KB)
--------nb-4-test.png(29KB)
--------percep-1-test.png(31KB)
--------svm-4-test.png(29KB)
--------nb-2-train.png(30KB)
--------pca_lr-train.png(30KB)
--------svm-3-test.png(29KB)
--------Figure_17.png(18KB)
--------pca_lr-test.png(30KB)
--------Figure_13.png(18KB)
--------rf-3-train.png(27KB)
--------percep-2-test.png(31KB)
--------nb-3-train.png(31KB)
--------percep-4-test.png(31KB)
--------nb-1-train.png(31KB)
--------pca_svm-test.png(29KB)
--------percep-3-test.png(31KB)
--------percep-1-train.png(32KB)
--------Figure_3.png(19KB)
--------percep-2-train.png(32KB)
--------Figure_9.png(21KB)
--------svm-3-train.png(29KB)
--------percep-3-train.png(32KB)
--------rf-4-test.png(33KB)
--------rf-4-train.png(27KB)
--------Figure_2.png(30KB)
--------Figure_6.png(20KB)
--------lr-4-test.png(29KB)
--------svm-2-test.png(29KB)
--------Figure_7.png(19KB)
--------lr-1-train.png(31KB)
--------svm-4-train.png(30KB)
--------Figure_18.png(18KB)
--------Figure_8.png(17KB)
--------Figure_12.png(20KB)
--------rf-2-train.png(27KB)
--------Figure_4.png(27KB)
--------lr-4-train.png(32KB)
--------Figure_1.png(18KB)
--------svm-1-train.png(29KB)
--------nb-2-test.png(29KB)
--------lr-1-test.png(29KB)
--------percep-4-train.png(32KB)
--------lr-2-train.png(30KB)
--------svm-2-train.png(29KB)
--------nb-4-train.png(32KB)
--------svm-1-test.png(29KB)
--------Figure_10.png(20KB)
--------nb-1-test.png(29KB)
--------rf-2-test.png(32KB)
--------rf-1-test.png(33KB)
--------Figure_15.png(19KB)
--------Figure_16.png(19KB)
--------Figure_11.png(18KB)
--------Figure_5.png(19KB)
--------rf-3-test.png(33KB)
--------pca_svm-train.png(31KB)
--------rf-1-train.png(27KB)
--------lr-2-test.png(29KB)
--------Figure_14.png(21KB)
--------Figure_19.png(20KB)
--------nb-3-test.png(29KB)
--------lr-3-train.png(31KB)
----evaluate_classifier_performance.py(3KB)
----understanding_data.py(3KB)
----preprocessing_mode_impute.py(5KB)
----knn.py(3KB)
----Documents()
--------Report.pdf(3.43MB)
----separate_train_test.py(1KB)
----.gitignore(10B)
----logistic_regression_pca.py(4KB)
----perceptron.py(4KB)
----README.md(2KB)
----preprocessing_svm_impute.py(7KB)
----naive_bayes.py(3KB)
----Data()
--------bank-additional-preprocessed-svm-normalize-train.csv(584KB)
--------bank-additional-preprocessed-svm-standardize-train.csv(707KB)
--------bank-additional-preprocessed-mode-normalize-train.csv(589KB)
--------bank-additional-preprocessed-mode-standardize-train.csv(707KB)
--------bank-additional-preprocessed-mode-normalize-test.csv(197KB)
--------bank-additional.csv(466KB)
--------bank-additional-preprocessed-svm-normalize-test.csv(196KB)
--------bank-additional-preprocessed-mode-standardize-test.csv(236KB)
--------bank-additional-preprocessed-svm-standardize-test.csv(236KB)