该问题来自社区帖: https://bbs.csdn.net/topics/615436981.为符合问答规范, 该问题经过ChatGPT优化
银行产品认购预测 赛题背景 赛题以银行产品认购预测为背景,想让你来预测下客户是否会购买银行的产品。在和客户沟通的过程中,我们记录了和客户联系的次数、上一次联系的时长、上一次联系的时间间隔,同时在银行系统中我们保存了客户的基本信息,包括:年龄、职业、婚姻、之前是否有违约、是否有房贷等信息,此外我们还统计了当前市场的情况:就业、消费信息、银行同业拆解率等。 先对数据进行读取和预处理,将非数字的特征转换为数字。再将数据集划分为训练集和测试集。 分析数据,并对离群点进行处理,得到处理后的数据,并保存。 对处理后的数据,选用不同的算法模型进行训练,并进行模型调参,得到预测结果准确率为 0.888。最后,对测试集进行预测并输出表格,将结果提交。 银行认购预测模型 为了预测一个客户是否购买银行的产品,我们使用了多个算法模型: - 逻辑回归模型 - 决策树模型 - 随机森林模型 - Gradient Boosting 模型 - Adaboost 模型 - XGBRF 模型 - LGBM 模型 其中,我们选择了 LGBM 模型做最终的预测,并进行调参,得到了最优参数。 预测结果 我们使用训练好的模型对测试集进行预测,并输出表格 submission.csv。最终将结果提交,得分情况如下: - public score:0.89489 - private score:0.88846 整体预测精度比较高,符合实际应用要求。
银行产品认购预测 赛题背景 赛题以银行产品认购预测为背景,想让你来预测下客户是否会购买银行的产品。在和客户沟通的过程中,我们记录了和客户联系的次数、上一次联系的时长、上一次联系的时间间隔,同时在银行系统中我们保存了客户的基本信息,包括:年龄、职业、婚姻、之前是否有违约、是否有房贷等信息,此外我们还统计了当前市场的情况:就业、消费信息、银行同业拆解率等。 先对数据进行读取和预处理,将非数字的特征转换为数字。再将数据集划分为训练集和测试集。 分析数据,并对离群点进行处理,得到处理后的数据,并保存。 对处理后的数据,选用不同的算法模型进行训练,并进行模型调参,得到预测结果准确率为 0.888。最后,对测试集进行预测并输出表格,将结果提交。 银行认购预测模型 为了预测一个客户是否购买银行的产品,我们使用了多个算法模型: - 逻辑回归模型 - 决策树模型 - 随机森林模型 - Gradient Boosting 模型 - Adaboost 模型 - XGBRF 模型 - LGBM 模型 其中,我们选择了 LGBM 模型做最终的预测,并进行调参,得到了最优参数。 预测结果 我们使用训练好的模型对测试集进行预测,并输出表格 submission.csv。最终将结果提交,得分情况如下: - public score:0.89489 - private score:0.88846 整体预测精度比较高,符合实际应用要求。