数据挖掘分析

主要模块功能简要说明 登录模块：银行职工的身份验证 银行职工信息维护：银行职工信息的数据库维护 定期利息维护：根据政策维护定期利息表 银行职工密码更改：银行职工更新其原始密码 开户销户：客户在银行柜面办理新存折或销退存折 客户存款业务：模拟客户持存折在柜面存款 客户取款业务：模拟客户持存折在柜面取款 挂失业务：客户在银行柜面办理定期存折挂失/解除

贪心学院自然语言处理高级魔鬼训练营全面剖析自然语言处理领域前沿技术，包括预训练、对话系统、文本生成、知识图谱、信息抽取等。本资源是《第03章 机器学习基础 - 逻辑回归》的5.案例《预测银行客户是否会开设定期存款账户》的数据和参考代码。

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

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。

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

学习用数据集

用预测的概率处理不平衡的数据 分类算法通常能够输出预测的概率。 这些预测的概率提供了额外的模型调整机制，可以帮助提高不平衡数据的预测性能。 本文讨论了五种机器学习算法在预测概率上的差异，这些算法分别是Logistic回归，朴素贝叶斯，随机森林，支持向量分类和XG Boost。 它演示了如何在案例研究中使用预测的概率来改善这些模型的性能。 案例研究是2014年葡萄牙银行营销数据集，其中目标变量是对定期存款的成功订阅。

模拟银行定期存款功能，创建银行存款账户类，其中包括账号，姓名，存款余额等等