本项目的数据来源于网新银行举办的数据建模比赛的数据，特征包含三类数据，客户基本信息（x1-x11）,行为类数据（x12-x56）,风险评分类数据（x57-x161）,但具体是什么特征我们并无从得知，因此想从特征实际意义入手分析建模是及其困难的。数据包含训练集30000个样本，测试集10000个样本，每个样本除开161个特征变量，还包括干预变量（treatment）和响应变量(y),干预变量把数据集分为两类，实验集（treatment = 1），控制集（treatment = 0）,实验集和控制集的比例大致为1:4。 源码包含用随机森林做缺失值填充、画qini曲线、主程序三个文件 原文链接：https://blog.csdn.net/qq_52073614/article/details/136763601

leetcode题库Bank_Marketing_Using_Pyspark_And_Using_Data_Science_Libraries。 在 Databricks 上使用 Pyspark 处理银行营销数据集，并使用 Python 在 Google Colab 上仅使用数据科学库。 关于存储库 该存储库包含 2 个文件 - 使用 Pyspark 实现的银行营销数据集和仅使用 Python 的数据科学库实现的其他文件。 在 Databricks 上使用 Pyspark - 此存储库包含与银行营销数据集相关的项目。 我已经应用逻辑回归、决策树和随机森林来比较算法在不同参数（如准确度、精度、召回率和许多其他参数）方面的比较。 还使用 5 折交叉验证进行了超参数调整，以评估与这些算法对应的模型并评估不同的参数。 在 Google Colab 上使用数据科学图书馆 - 总而言之，首先对数据进行清理和预处理。 然后我将不同的参数性能与目标变量进行了比较。 然后我应用了 6 种机器学习算法，比较了训练和测试的准确性，并为它绘制了 ROC 曲线。 6 种机器学习算法是：逻辑回归、随机森林、支持向

浅析我国商业银行营销策略的创新..doc

基于决策树的银行营销数据挖掘 ├── 0，数据挖掘基础知识精讲 │ ├── 工具 │ ├── 教案 │ ├── 案例 │ ├── 视频 │ └── 资料 ├── 1，项目背景与运行环境 ├── 2，IBM SPSS Modeler简介 ├── 3，GRISP-DM数据挖掘流程 ├── 4，决策树算法 ├── 5，建立银行用户挖掘模型 ├── 6，运行及结果分析 ├── 7，模型应用 └── 8，课程总结

《银行营销创新——批量获客、精准营销》.pdf

2021年银行营业部年度工作计划与2021年银行营销工作计划.pdf

本数据集源自葡萄牙银行机构的一项电话营销活动，内容统计了该电话营销活动的情况以及客户最终是否购买了定期存款产品。

银行业务营销工作总结演讲--演讲稿-银行营销案例的人员活动分配word排版格式.docx

银行营销数据集分类：银行营销数据分类

银行营销数据分析 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。 有数据集： bank-additional-full.csv，包含所有示例（41188）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等人，2014]中分析的数据 bank-additional.csv，其中包含10％的示例（4119）（从1）中随机选择）和20个输入。 bank-full.csv，包含所有示例和17个输入，按日期排序（此数据集的旧版本，输入较少）。 bank.csv，其中包含10％的示例和17个输入，它们是从3个（此数据集的旧版本，输入较少）中随机选择的。 提供了最小的数据集以测试更多对计算有要求的机器学习算法（例如SVM）。 目标 预测潜在客户，如