Kaggle에서 스페인 글로벌 은행 Santander가 과제로 제시한 ‘Santander Product Recommendation’ Competition에 참여. 2015년 1월부터 2016년 5월 까지의 Santander 은행의 고객 데이터를 분석하여 랜덤포레스트, 로지스틱회귀분석, 나이브베이지의 머신러닝 기법을 활용해 2016년 6월에 고객이 가입할 상품을 예측

1. Santander Product Recommendation

2. Contents
1. 프로젝트 개요
2. 데이터 개요 및 변수 설명
3. 분석 환경
4. SEMMA Process

3. 1. 프로젝트 개요

4. 4

5. 5
김 진 아 전 병 훈정 현 진
시각화, 알고리즘 적용,
평가 방법 연구
EDA, 변수 생성,
데이터 전처리,
알고리즘 적용
EDA, 전처리,
알고리즘 공부&적용,
캐글 제출

6. 2. 데이터 개요 및 변수 설명

7. 7
데이터 셋
〮〮〮 〮〮〮
데이터 개요

8. 8

9. 9

10. 3. 분석 환경

11. 11
2GB

12. 4. SEMMA Process

13. 4-1. Sampling

14. 14
Sampling Data
Partitioning Data
Raw Data
“ ”

15. 15
Test
Data
194,648
15
Saving
Account
194,659
4
Guarantees
77,290
117373
Current Accounts
179,756
14907
Payroll
Account
193,045
1618
Junior
Account
〮〮〮

16. 4-2.Exploring

17. 20 5030 40 60 70 80 90 100
150000
100000
50000
0
Female maleUnknown
150000
100000
50000
VIP Individuals college graduated unknown
150000
100000
50000
150000
100000
50000
~ 50 51~100 101~150 151~200 200~

18. Segment
VIP
Individuals
college graduated
unknown

19. seniority
~ 50
51~100
101~150
151~200
200~

20. age
~25
26~35
36~45
46~55
56~65
66~

21. 4-3. Modify

22. 22
.
01 02 03 04
05 06 07 …

23. 23

24. 24
“ ”

25. 25
기존
변수

26. 26
[1] Mortgage => Direct Debit 0.0061232 0.8603142 5.960670
[2] Payroll => Pensions 0.0625038 1.0000000 14.813015
[3] Pensions => Payroll 0.0625038 0.9258697 14.813015
[4] Payroll => Payroll Account 0.0592032 0.9471936 10.451423
[5] Pensions => Payroll Account 0.0638628 0.9460006 10.438259
ConfidenceSupport Lift
...
1
2
3
4

27. 4-4. Modeling

28. 28

29. 29
“ ”

30. 30

31. 31

32. 32
<

33. 33
“ ”

34. 34
Rendom Forest
Naive Bayesian
Logistic Regression
Rendom Forest
Naive Bayesian
Logistic Regression
Rendom Forest
Naive Bayesian
Logistic Regression
Rendom Forest
Naive Bayesian
Logistic Regression
Rendom Forest
Naive Bayesian
Logistic Regression
Rendom Forest
Naive Bayesian
Logistic Regression
〮〮〮
0.305
0.938
0.290
0.333
0.764
0.356
0.718
0.613
0.713
0.700
0.400
0.300
0.841
0.609
0.919
0.967
0.812
0.977

35. 35

36. 4-5. Assessment

37. 37
2016.06
고객ID 예측 상품 7개
실제 구매한 상품
(정답)
Precision Average Precision
1 A, B, C, D, E, F, G B 0.5 0.5 / 1(정답 개수)
2 A, B, C, D, E, F, G A 1 1 / 1 (정갑 개수)
3 A, B, C, D, E, F, G G 0.14 0.14 / 1(정답개수)
MAP@7 = = 0.2466
EX)

38. 38

39. 39