用于weka初入门学习,银行数据包括600实例,是data-bank.arff 文件,经过csv 处理之后的可经weka使用的文件。-The learn for weka early entry, bank data including 600 instances of the the the data-bank.arff file after csv after processing the file via weka.
2021-11-07 19:00:59 13KB bank-data arff csv WEKA
1
银行定期存款-市场预测 问题陈述: 数据与葡萄牙银行机构的直接营销活动有关。 市场营销活动以电话为基础。 通常,需要与同一个客户进行多次联系,以评估产品(银行定期存款)是否(“是”)订阅(“否”)。 业务了解: 定期存款是指有固定期限的金融机构持有的存款。 这些通常是短期的,期限从一个月到几年不等。 定期存款是一种非常安全的投资,因此非常吸引保守的低风险投资者。 该银行选择了更主动地识别潜在买家,并通过电话直接与客户沟通,而不是进行大规模营销。 直接营销在这里很有用,因为可以直接衡量其积极成果。 该项目的目标是执行广告活动后分析,以识别未来活动的定期存款产品的潜在订阅者。 数据集: UCI机器学习存储库数据集: bank-additional-full.csv,包含所有示例(41,188个)和20个输入,按日期排序(从2008年5月到2010年11月),非常接近[Moro等,2014
2021-11-04 04:25:10 11.75MB JupyterNotebook
1
bank_direct_marketing_prediction 该数据与葡萄牙银行机构的直接营销活动相关。营销活动基于电话。 通常,需要与同一客户联系不止一个联系人,以便了解是否会(或不会)订阅该产品(银行定期存款)。 有两个数据集: 1) 包含所有示例的 bank-full.csv,按日期排序(从 2008 年 5 月到 2010 年 11 月)。 2) bank.csv 包含 10% 的示例 (4521),从 bank-full.csv 中随机选择。 应用的数据挖掘算法: 神经网络、支持向量机 (SVM)、线性判别式、二次判别式、混合判别模型、具有逻辑回归的广义线性模型 (GLM)、具有所有变量的广义加性模型 (GAM)、具有逐步变量选择的 GAM、rPart 树 模型通过ROC曲线评估
2021-11-04 04:21:13 572KB R
1
银行营销活动分析 使用Logistic回归,随机森林,决策树,Gradient Boosting和AdaBoost等各种ML技术分析了葡萄牙银行的先前营销活动,并预测了用户是否会购买该银行的定期存款 推荐的营销团队,使用功能重要性图和业务直觉来更好地定位客户的方法 运行代码的说明: 确保数据文件(“ bank-additional-full.csv”)与ipython笔记本位于同一目录中,或相应地编辑ipython笔记本。 确保在python 3环境中运行笔记本。 确保笔记本中使用的所有依赖项都已安装在本地计算机中。 按照笔记本中的顺序依次运行代码。 对Notebook进行充分注释以给出所执行代码的合理推断。 速效 功能重要性 给营销团队的建议
1
银行营销分析 数据与葡萄牙银行机构的直接营销活动有关。 市场营销活动以电话为基础。 为了访问产品(银行定期存款)是否(“是”)订阅(“否”),通常需要与同一客户进行多次联系。
2021-10-21 20:09:28 173KB JupyterNotebook
1
用8086汇编语言设计一存取款小软件系统。要求进入系统后,屏幕上显示“欢迎使用本系统”,另起行显示“输入密码:”。允许三次输入错误密码后可重新输入密码,三次输入都出错则返回DOS。密码输入正确即进入本人帐号,并在屏幕上显示: 1 返回DOS 2 查阅余额(两位数) 3 存款(两位数) 4 取款(两位数)
2021-10-19 14:48:50 3KB 8086 存取款小软件系统
1
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
2021-10-14 23:03:03 4.92MB python random-forest pandas-dataframe histogram
1
weka经典学习训练素材 bank-data.csv
2021-10-02 14:41:26 33KB weka
1
DDR4相对DDR3,增加了Bank Group这一定义。它不是简单的增加了bank数,这份文档比较好的解释了为什么在DDR4中增加了Bank Group这一概念。
2021-09-26 10:32:56 1.61MB DDR4 Bank Group 目的
1
1、599家银行logo的icon图标。文件名对应银行名称,全部png图标; 2、如需设计需要psd原图,可私信我。
2021-09-24 13:03:18 2.55MB 银行logo-icon icon 银行logoUI设计 logo-icon