【专题】Python、R银行信用卡客户流失机器学习预测热门文章合集|附代码数据

原文链接：https://tecdat.cn/?p=37244

分析师：Cengjun Wang

目前，众多银行由于服务质量的降低、同业竞争的日益激烈等因素，面临着信用卡客户流失的棘手难题，这给银行经理施加了沉重的压力。而且，获取新的信用卡用户所需成本通常高于维持现有用户的成本。本文将通过展示银行信用卡客户流失机器学习预测的案例，并结合一系列Python、R银行信用卡客户流失机器学习预测热门文章合集实例的代码数据，为读者提供一套完整的实践数据分析流程（点击文末“阅读原文”获取完整代码数据）。

然而，如果能够基于客户的部分个人信息，预测出具有潜在流失可能性的信用卡用户，就能够极大程度地降低银行成本，推测出当前在客户管理及业务方面可能存在的问题，进而为制定挽留策略提供有力依据。所以，我们的目标是通过持续不断地优化算法，尽可能精准地预测出信用卡的流失客户。

解决方案

任务/目标

计划采用 Python 搭建神经网络算法，并运用集成学习的思想构建随机神经网络模型，逐步优化算法的内部结构与超参数，解决原始数据集训练过程中出现的问题，以获取更出色的预测效果。

数据源准备

我们获取了 10000 位银行信用卡客户的数据，包含年龄、性别、年收入水平、婚姻状况、信用卡额度、信用卡类型、过去 12 个月的总交易数和总交易金额、是否为流失客户等 18 个变量。在是否流失客户这一变量中，存在诸如年龄、受扶养人数量、与银行的关系期、信用卡额度等连续变量，我们发现它们之间的数量级差异较大，后续在优化过程中会详细阐述如何处理这一问题。

数据预处理

样本不均衡问题

在前期的试验中我们发现，无论是运用 SVM、Logistic Regression 还是 Neural Network，最终测试集的准确率均在 85%上下波动（结果如下图）。

经查看数据集，我们发现样本中存在严重的样本不均衡问题，实际流失的客户比例仅占总体样本的 16.07%，即若模型将所有客户都预测为不流失，整体准确率仍会达到 84%，这与我们最初设定的目标完全相悖，并非我们期望的情况。 因此我们采用了两种方式进行处理，一是 resample， 二是 bootstrap。

梯度消失

在训练神经元网络模型时，有时会出现权重调整速度缓慢的情况。下图是对其中一个样本进行五次迭代的结果，我们发现其最终输出结果几乎未发生改变，即模型将其预测为非流失客户，但该样本的真实值是流失客户。

我们认为此问题可能有两个原因：其一，sigmoid 函数自身在接近 0 和 1 时梯度极小，这是无法改变的；其二，使用未经标准化的数据（由于数量级太大）会导致初始值接近 1，而 sigmoid 函数的导数值接近 0，最终造成梯度消失的情况，这部分是可以控制的。 我们假定样本服从正态分布，对其进行统一标准化操作后，下图显示该样本初始的预测值不再出现几乎为 1 的情况，并成功通过梯度下降算法完成了正确预测。

标准化后，能够有效防止极端值的出现，并大幅提升运算效率。

建模

神经网络

随机神经网络（集成学习）

模型优化

调整损失函数、调整迭代次数（early stopping）、调整神经网络的其他参数（学习率、隐藏层层数、隐藏层节点数、激活函数）。

对照实验

作为对照，我们调用了 scikit-learn 的 Logistic Regression 模型对这个二分类模型进行预测，然后用 AUC 的指标来横向比较不同模型的预测效果。结果表明，我们的神经网络模型的 AUC（0.93）优于 LR 模型的 AUC（0.91），同时我们的随机神经网络模型的 AUC 也能达到 0.91 的水平。

Python、R银行信用卡客户流失预测热门文章合集

01

R语言逻辑回归模型的移动通信客户流失预测与分析

02

PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像

03

PYTHON中用PYTORCH机器学习神经网络分类预测银行客户流失模型

04

R语言决策树和随机森林分类电信公司用户流失churn数据和参数调优、ROC曲线可视化