摘要：
合集：AI案例-ML-泛金融业
AI问题：聚类问题
数据集：UniversalBank客户财务状况数据集
数据集价值：用于客户细分、贷款违约预测、营销分析等任务。
解决方案：聚类分析
一、问题描述
UniversalBank.csv 数据集常用于教学和数据分析任务，尤其是在银行或金融领域的客户分析中。该数据集通常包含关于银行客户的信息，列出多种与客户背景和行为相关的变量。用于预测基于年龄、经验、收入、地点、家庭、教育、现有抵押贷款、信用等因素的个人贷款批准情况。这类数据通常用于客户细分、贷款违约预测、营销分析等任务。
二、数据集内容
数据结构
UniversalBank.csv的字段包括：
1. ID: 客户的唯一标识符（整数类型）。
2. Age: 客户的年龄（整数类型）。
3. Experience: 客户的工作经验（以年计，整数类型）。
4. Income: 客户的年收入（以美元为单位，整数类型）。
5. ZIP Code: 客户的邮政编码（整数类型）。
6. Family: 客户的家庭成员数量（整数类型）。
7. CCAvg: 客户每月信用卡消费的平均金额（浮点类型）。
8. Education: 客户的最高学历，分为三个等级（整数类型：1-本科，2-硕士，3-博士）。
9. Mortgage: 客户的房贷金额（整数类型）。
10. Personal Loan: 二进制变量，表示银行是否对个人进行贷款授信（1表示授信，0表示没有）。
11. Securities Account: 二进制变量，表示客户是否持有证券账户（1表示持有，0表示没有）。
12. CD Account: 二进制变量，表示客户是否持有定期存款账户（1表示持有，0表示没有）。
13. Online: 二进制变量，表示客户是否使用网上银行（1表示使用，0表示没有使用）。
14. CreditCard: 二进制变量，表示客户是否持有银行的信用卡（1表示持有，0表示没有）。数据样例
| ID | Age | Experience | Income | ZIP Code | Family | CCAvg | Education | Mortgage | Personal Loan | Securities Account | CD Account | Online | CreditCard |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 25 | 1 | 49 | 91107 | 4 | 1.6 | 1 | 0 | 0 | 1 | 0 | 0 | 0 |
| 2 | 45 | 19 | 34 | 90089 | 3 | 1.5 | 1 | 0 | 0 | 1 | 0 | 0 | 0 |
| 3 | 39 | 15 | 11 | 94720 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
| 4 | 35 | 9 | 100 | 94112 | 1 | 2.7 | 2 | 0 | 0 | 0 | 0 | 0 | 0 |
| 5 | 35 | 8 | 45 | 91330 | 4 | 1 | 2 | 0 | 0 | 0 | 0 | 0 | 1 |
| 6 | 37 | 13 | 29 | 92121 | 4 | 0.4 | 2 | 155 | 0 | 0 | 0 | 1 | 0 |
三、K近邻分类算法
K近邻(K-Nearest Neighbors，简称KNN)算法是一种基于实例的学习方法，其核心思想是如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中，大多数属于某一个类别，则该样本也属于这个类别。
K近邻算法的关键在于k值的选取，以及合适的度量函数。
需要指出的是，KNN在做预测时的计算量和训练集规模相关，因为待测试数据需要和训练集中的每个数据对象计算距离。如果训练集很大，则做分类决策时计算量将非常大。
源码解析
- 导入必要的库
import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier - 建立数据集，数据预处理
- 使用
pd.read_csv读取数据集。 - 将目标变量
Personal Loan分离出来，作为y。 - 去掉无关特征
ID和ZIP Code，剩下的特征作为X。 - 使用
train_test_split将数据集划分为训练集和测试集，测试集占比30%。
df = pd.read_csv('UniversalBank.csv') # 读取CSV文件 y = df['Personal Loan'] # 目标变量。银行是否对个人进行贷款授信。 X = df.drop(['ID', 'ZIP Code', 'Personal Loan'], axis=1) # 特征变量，去掉ID和ZIP Code列 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0) # 数据集划分 - 使用
- 采用两种weights参数建立KNN模型，并评估
- 使用
for循环遍历两种不同的weights参数：uniform和distance。 - 对于每种
weights参数，创建一个KNeighborsClassifier实例，并使用训练数据进行训练。 - 使用
score方法计算模型在测试集上的准确度，并输出结果。
n_neighbors = 5 # K值 for weights in ['uniform', 'distance']: knn = KNeighborsClassifier(n_neighbors, weights=weights) # 创建KNN分类器 knn.fit(X_train, y_train) # 训练模型 acc = knn.score(X_test, y_test) # 评估模型 print('%s 准确度: %s' % (weights, acc)) # 输出准确度 - 使用
安装
conda create -n datamining python=3.10
conda activate datamining
conda install pandas numpy scikit-learn主要开发包版本号
scikit-learn 1.5.2 py310hf2a6c47_1 conda-forge执行
python knn.py distance 准确度: 0.9173333333333333