Bagging算法预测银行客户流失率

描述

为了防止银行的客户流失，通过数据分析，识别并可视化哪些因素导致了客户流失，并通过建立一个预测模型，识别客户是否会流失，流失的概率有多大。以便银行的客户服务部门更加有针对性的去挽留这些流失的客户。

本任务的实践内容包括：

1、学习并熟悉Bagging算法原理。

2、使用决策树的聚合，创建预测银行客户流失率模型，并训练评估。

源码下载

环境

• 操作系统：Windows 10、Ubuntu18.04

• 工具软件：Anaconda3 2019、Python3.7

• 硬件环境：无特殊要求

• 依赖库列表

  scikit-learn	1.0.2
  numpy           1.19.3
  pandas          1.3.5
  

分析

本任务涉及以下环节：

A）熟悉Bagging算法原理

B）加载并观察银行客户

C）创建决策树模型，进行训练，评估其准确率和F1分数

D）使用决策树聚合模型，进行训练，评估其准确率和F1分数

E）对比分析使用单个决策树和决策树聚合算法的模型效果

实施

1、Bagging（套袋法）原理

通过自助采样的方法生成众多并行的分类器，通过少数服从多数的原则确定最终结果。从同一样本、同一指标集里抽样，每次抽样都生成一棵简单树，可以并行建立。

典型算法：随机森林

随机森林基于bagging思想，解决决策树泛化的问题，决策树是一棵树，只有一个决策权，随机森林是多棵树，每棵树都有一个决策权，这样把所有树的结果综合起来，这样的分类能力，自然比单棵树的结果好。所以随机森林是基于这样的思想去分类的。随机森林的随机主要体现在两个方面，一个是随机选取样本，一个是随机选取特征。随机森林是根据特征构造多棵决策树，那每棵树是怎么构造的呢？它从训练样本中随机选取固定数量的样本集，然后随机选取固定数量的特征，来构造决策树，相当于样本集和特征集都是总样本和总特征中的子集。而且这个随机选取是有放回地抽取过程。这样每个决策树都有一个分类结果，根据少数服从多数的原则，得到最后的结果。这就是随机森林算法的核心内容。

2、加载分析银行客户数据集

import numpy as np # 基础线性代数扩展包
import pandas as pd # 数据处理工具箱
df_bank = pd.read_csv("../dataset/BankCustomer.csv") # 读取文件
df_bank.head() # 显示文件前5行

结果如下：

数据集特征说明：

• name：客户姓名

• Gender：客户性别

• Age：客户年龄

• City：城市

• Tenure：用户时长

• ProductsNo：使用产品数量

• HasCard：是否拥有信用卡

• ActiveMember：是否为活跃会员

• Credit：信用评分

• AccountBal：账户余额

• Salary：薪资

• Exited（标签）：是否流失，1代表流失，0代表没有流失

3、数据处理

将二元数据文本化，创建数据集。

# 把二元类别文本数字化
df_bank['Gender'].replace("Female",0,inplace = True)
df_bank['Gender'].replace("Male",1,inplace=True)

# 显示数字类别
print("Gender unique values",df_bank['Gender'].unique())

# 把多元类别转换成多个二元哑变量，然后贴回原始数据集
d_city = pd.get_dummies(df_bank['City'], prefix = "City")
df_bank = [df_bank, d_city]
df_bank = pd.concat(df_bank, axis = 1)

# 构建特征和标签集合
y = df_bank['Exited']
X = df_bank.drop(['Name', 'Exited', 'City'], axis=1)
X.head() #显示新的特征集

结果如下：

4、拆分数据集

使用sklearn.model_selection.train_test_split()方法将数据集划分为训练集和测试集。

from sklearn.model_selection import train_test_split # 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, 
                                   test_size=0.2, random_state=0)

5、创建模型，训练并评估准确率

创建单棵决策树模型和多棵决策树聚合模型，用相同的数据集进行训练和预测，比较两种模型的准确率。

from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import (accuracy_score, f1_score, confusion_matrix)

dt = DecisionTreeClassifier()  # 只使用一棵决策树
dt.fit(X_train, y_train)  # 拟合模型
y_pred = dt.predict(X_test)  # 进行预测
print("决策树测试准确率: {:.2f}%".format(dt.score(X_test, y_test) * 100))
print("决策树测试F1分数: {:.2f}%".format(f1_score(y_test, y_pred) * 100))


bdt = BaggingClassifier(DecisionTreeClassifier())  # 树的Bagging
bdt.fit(X_train, y_train)  # 拟合模型
y_pred = bdt.predict(X_test)  # 进行预测
print("决策树Bagging测试准确率: {:.2f}%".format(bdt.score(X_test, y_test) * 100))
print("决策树Bagging测试F1分数: {:.2f}%".format(f1_score(y_test, y_pred) * 100))

结果如下：

决策树测试准确率: 79.20%
决策树测试F1分数: 50.71%
决策树Bagging测试准确率: 85.20%
决策树Bagging测试F1分数: 56.98%

在这里比较了只使用一棵决策树和经过Bagging之后的树这两种算法的预测效果，可以看到决策树Bagging的准确率及F1分数明显占优势。当然，因为Bagging过程的随机性，每次测试的分数都稍有不同。