|
Just begin:
建模数据----9 个字段， 分别是id（客户编号）,sex（性别）,age（年龄）,degree（学历）,marry（婚姻状况）,salary（收入）,health（健康状况）,house（房产状况）,type_of_danger（客户风险分类）,文本格式为.csv （备注：所有数据及流程场景，纯属个人YY）
Customer.csv:
id,sex,age,degree,marry,salary,health,house,type_of_danger
1,male,49,2,married,high,good,yes,no
2,female,24,2,unmarried,middle,good,no,yes
3,female,39,3,married,low,good,yes,no
4,male,37,3,married,low,good,yes,yes
5,male,44,3,married,high,common,yes,no
6,male,42,3,divorce,high,good,yes,yes
7,female,38,2,married,middle,good,yes,no
8,male,32,2,married,high,good,yes,no
9,male,35,3,married,low,good,yes,no
10,male,39,3,unmarried,low,bad,no,yes
11,female,23,3,unmarried,low,good,no,yes
12,male,38,3,divorce,good,common,yes,yes
13,male,22,1,unmarried,good,low,no,yes
14,female,25,1,married,good,low,no,no
15,female,28,2,unmarried,middle,common,no,no
16,male,21,2,unmarried,middle,good,no,no
17,female,22,3,unmarried,low,bad,no,yes
18,female,38,2,married,low,bad,yes,yes
19,male,33,3,married,low,bad,yes,no
20,female,41,1,married,middle,yes,no,yes
建模流程：
其中，id,sex,age,degree,marry,salary,health,house，选作输入字段，type_of_danger选作目标字段（离散非范围） ，运行一下，模型就出来了；
运行得到的决策树模型可视化：
根据预测变量重要性，可得出银行客户的salary（收入状态）和marry(婚姻状况)对目标字段分类影响权重较大。
数据略少，模型看着已相当高大上，总是这么正气十足，，模型已出，不论模型质量（分类评估指标：命中率及覆盖率）
customer2.csv是应用于预测的数据文件，该文件包含8个字段， 分别是id（客户编号）,sex（性别）,age（年龄）,degree（学历）,marry（婚姻状况）,salary（收入）,health（健康状况）,house（房产状况），应用数据+决策树模型，可生成预测数据及其分类概率；
OK，轻轻运行，结果数据得出：
Ok。。。。。。。。。。。。。。。。。。。。。。。。
|
转播
