CDA數(shù)據(jù)分析師 出品  

作者：真達(dá)、Mika

數(shù)據(jù)：真達(dá)  

【導(dǎo)讀】今天的內(nèi)容是一期python實(shí)戰(zhàn)訓(xùn)練，我們來手把手教你用Python分析保險(xiǎn)產(chǎn)品交叉銷售和哪些因素有關(guān)。

01、實(shí)戰(zhàn)背景

首先介紹下實(shí)戰(zhàn)的背景， 這次的數(shù)據(jù)集來自kaggle：

https://www.kaggle.com/anmolkumar/health-insurance-cross-sell-prediction

我們的客戶是一家保險(xiǎn)公司，最近新推出了一款汽車保險(xiǎn)。現(xiàn)在他們的需要是建立一個(gè)模型，用來預(yù)測(cè)去年的投保人是否會(huì)對(duì)這款汽車保險(xiǎn)感興趣。

我們知道，保險(xiǎn)單指的是，保險(xiǎn)公司承諾為特定類型的損失、損害、疾病或死亡提供賠償保證，客戶則需要定期向保險(xiǎn)公司支付一定的保險(xiǎn)費(fèi)。這里再進(jìn)一步說明一下。

例如，你每年要為20萬的健康保險(xiǎn)支付2000元的保險(xiǎn)費(fèi)。那么你肯定會(huì)想，保險(xiǎn)公司只收取5000元的保費(fèi)，這種情況下，怎么能承擔(dān)如此高的住院費(fèi)用呢? 這時(shí)，“概率”的概念就出現(xiàn)了。例如，像你一樣，可能有100名客戶每年支付2000元的保費(fèi)，但當(dāng)年住院的可能只有少數(shù)人，(比如2-3人)，而不是所有人。通過這種方式，每個(gè)人都分擔(dān)了其他人的風(fēng)險(xiǎn)。

和醫(yī)療保險(xiǎn)一樣，買了車險(xiǎn)的話，每年都需要向保險(xiǎn)公司支付一定數(shù)額的保險(xiǎn)費(fèi)，這樣在車輛發(fā)生意外事故時(shí)，保險(xiǎn)公司將向客戶提供賠償（稱為“保險(xiǎn)金額”）。

我們要做的就是建立模型，來預(yù)測(cè)客戶是否對(duì)汽車保險(xiǎn)感興趣。這對(duì)保險(xiǎn)公司來說是非常有幫助的，公司可以據(jù)此制定溝通策略，接觸這些客戶，并優(yōu)化其商業(yè)模式和收入。

02、數(shù)據(jù)理解

為了預(yù)測(cè)客戶是否對(duì)車輛保險(xiǎn)感興趣，我們需要了解一些客戶信息 (性別、年齡等)、車輛(車齡、損壞情況)、保單(保費(fèi)、采購(gòu)渠道)等信息。

數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練數(shù)據(jù)包含381109筆客戶資料，每筆客戶資料包含12個(gè)字段，1個(gè)客戶ID字段、10個(gè)輸入字段及1個(gè)目標(biāo)字段-Response是否響應(yīng)(1代表感興趣，0代表不感興趣)。測(cè)試數(shù)據(jù)包含127037筆客戶資料；字段個(gè)數(shù)與訓(xùn)練數(shù)據(jù)相同，目標(biāo)字段沒有值。字段的定義可參考下文。

下面我們開始吧！

03、數(shù)據(jù)讀入和預(yù)覽

首先開始數(shù)據(jù)讀入和預(yù)覽。

# 數(shù)據(jù)整理
import numpy as np 
import pandas as pd 

# 可視化
import matplotlib.pyplot as plt 
import seaborn as sns 
import plotly as py 
import plotly.graph_objs as go 
import plotly.express as px 
pyplot = py.offline.plot 
from exploratory_data_analysis import EDAnalysis # 自定義

# 讀入訓(xùn)練集
train = pd.read_csv('../data/train.csv')
train.head() 

# 讀入測(cè)試集
test = pd.read_csv('../data/test.csv')
test.head() 

print(train.info())
print('-' * 50)
print(test.info()) 

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 381109 entries, 0 to 381108
Data columns (total 12 columns):
 #   Column                Non-Null Count   Dtype  
---  ------                --------------   -----  
 0   id                    381109 non-null  int64  
 1   Gender                381109 non-null  object 
 2   Age                   381109 non-null  int64  
 3   Driving_License       381109 non-null  int64  
 4   Region_Code           381109 non-null  float64
 5   Previously_Insured    381109 non-null  int64  
 6   Vehicle_Age           381109 non-null  object 
 7   Vehicle_Damage        381109 non-null  object 
 8   Annual_Premium        381109 non-null  float64
 9   Policy_Sales_Channel  381109 non-null  float64
 10  Vintage               381109 non-null  int64  
 11  Response              381109 non-null  int64  
dtypes: float64(3), int64(6), object(3)
memory usage: 34.9+ MB
None
--------------------------------------------------
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 127037 entries, 0 to 127036
Data columns (total 11 columns):
 #   Column                Non-Null Count   Dtype  
---  ------                --------------   -----  
 0   id                    127037 non-null  int64  
 1   Gender                127037 non-null  object 
 2   Age                   127037 non-null  int64  
 3   Driving_License       127037 non-null  int64  
 4   Region_Code           127037 non-null  float64
 5   Previously_Insured    127037 non-null  int64  
 6   Vehicle_Age           127037 non-null  object 
 7   Vehicle_Damage        127037 non-null  object 
 8   Annual_Premium        127037 non-null  float64
 9   Policy_Sales_Channel  127037 non-null  float64
 10  Vintage               127037 non-null  int64  
dtypes: float64(3), int64(5), object(3)
memory usage: 10.7+ MB
None

04、探索性分析

下面，我們基于訓(xùn)練數(shù)據(jù)集進(jìn)行探索性數(shù)據(jù)分析。

1. 描述性分析

首先對(duì)數(shù)據(jù)集中數(shù)值型屬性進(jìn)行描述性統(tǒng)計(jì)分析。

desc_table = train.drop(['id', 'Vehicle_Age'], axis=1).describe().T
desc_table

 通過描述性分析后，可以得到以下結(jié)論。從以上描述性分析結(jié)果可以得出：

• 客戶年齡：客戶的年齡范圍在20 ~ 85歲之間，平均年齡是38歲，青年群體居多；
• 是否有駕照：99.89%客戶都持有駕照；
• 之前是否投保：45.82%的客戶已經(jīng)購(gòu)買了車輛保險(xiǎn)；
• 年度保費(fèi)：客戶的保費(fèi)范圍在2630 ~ 540165之間，平均的保費(fèi)金額是30564。
• 往來時(shí)長(zhǎng)：此數(shù)據(jù)基于過去一年的數(shù)據(jù)，客戶的往來時(shí)間范圍在10~299天之間，平均往來時(shí)長(zhǎng)為154天。
• 是否響應(yīng)：平均來看，客戶對(duì)車輛保險(xiǎn)感興趣的概率為12.25%。

2. 目標(biāo)變量的分布

訓(xùn)練集共有381109筆客戶資料，其中感興趣的有46710人，占比12.3%，不感興趣的有334399人，占比87.7%。

train['Response'].value_counts() 
0    334399
1     46710
Name: Response, dtype: int64

values = train['Response'].value_counts().values.tolist()

# 軌跡
trace1 = go.Pie(labels=['Not interested', 'Interested'], 
                values=values,
                hole=.5,
                marker={'line': {'color': 'white', 'width': 1.3}}
               )
# 軌跡列表
data = [trace1] 
# 布局
layout = go.Layout(title=f'Distribution_ratio of Response', height=600)
# 畫布
fig = go.Figure(data=data, layout=layout)
# 生成HTML
pyplot(fig, filename='./html/目標(biāo)變量分布.html') 

3. 性別因素

從條形圖可以看出，男性的客戶群體對(duì)汽車保險(xiǎn)感興趣的概率稍高，是13.84%，相較女性客戶高出3個(gè)百分點(diǎn)。

pd.crosstab(train['Gender'], train['Response'])  

# 實(shí)例類
eda = EDAnalysis(data=train, id_col='id', target='Response')

# 柱形圖
fig = eda.draw_bar_stack_cat(colname='Gender')
pyplot(fig, filename='./html/性別與是否感興趣.html') 

4. 之前是否投保

沒有購(gòu)買汽車保險(xiǎn)的客戶響應(yīng)概率更高，為22.54%，有購(gòu)買汽車保險(xiǎn)的客戶則沒有這一需求，感興趣的概率僅為0.09%。

pd.crosstab(train['Previously_Insured'], train['Response'])  

fig = eda.draw_bar_stack_cat(colname='Previously_Insured')
pyplot(fig, filename='./html/之前是否投保與是否感興趣.html')  

5. 車齡因素

車齡越大，響應(yīng)概率越高，大于兩年的車齡感興趣的概率最高，為29.37%，其次是1~2年車齡，概率為17.38%。小于1年的僅為4.37%。

6. 車輛損壞情況

車輛曾經(jīng)損壞過的客戶有較高的響應(yīng)概率，為23.76%，相比之下，客戶過去車輛沒有損壞的響應(yīng)概率僅為0.52%

7. 不同年齡

從直方圖中可以看出，年齡較高的群體和較低的群體響應(yīng)的概率較低，30~60歲之前的客戶響應(yīng)概率較高。通過可視化探索，我們大致可以知道:

車齡在1年以上，之前有車輛損壞的情況出現(xiàn)，且未購(gòu)買過車輛保險(xiǎn)的客戶有較高的響應(yīng)概率。

05、數(shù)據(jù)預(yù)處理

此部分工作主要包含字段選擇，數(shù)據(jù)清洗和數(shù)據(jù)編碼，字段的處理如下：

• Region_Code和Policy_Sales_Channel：分類數(shù)過多，且不易解讀，刪除；
• Annual_Premium：異常值處理
• Gender、Vehicle_Age、Vehicle_Damage：分類型數(shù)據(jù)轉(zhuǎn)換為數(shù)值型編碼

# 刪除字段
train = train.drop(['Region_Code', 'Policy_Sales_Channel'], axis=1) 

# 蓋帽法處理異常值
f_max = train['Annual_Premium'].mean() + 3*train['Annual_Premium'].std()
f_min = train['Annual_Premium'].mean() - 3*train['Annual_Premium'].std() 

train.loc[train['Annual_Premium'] > f_max, 'Annual_Premium'] = f_max
train.loc[train['Annual_Premium'] < f_min, 'Annual_Premium'] = f_min 

# 數(shù)據(jù)編碼
train['Gender'] = train['Gender'].map({'Male': 1, 'Female': 0}) 
train['Vehicle_Damage'] = train['Vehicle_Damage'].map({'Yes': 1, 'No': 0}) 
train['Vehicle_Age'] = train['Vehicle_Age'].map({'< 1 Year': 0, '1-2 Year': 1, '> 2 Years': 2}) 
train.head() 

測(cè)試集做相同的處理：

# 刪除字段
test = test.drop(['Region_Code', 'Policy_Sales_Channel'], axis=1)  
# 蓋帽法處理
test.loc[test['Annual_Premium'] > f_max, 'Annual_Premium'] = f_max
test.loc[test['Annual_Premium'] < f_min, 'Annual_Premium'] = f_min 

# 數(shù)據(jù)編碼
test['Gender'] = test['Gender'].map({'Male': 1, 'Female': 0}) 
test['Vehicle_Damage'] = test['Vehicle_Damage'].map({'Yes': 1, 'No': 0}) 
test['Vehicle_Age'] = test['Vehicle_Age'].map({'< 1 Year': 0, '1-2 Year': 1, '> 2 Years': 2}) 
test.head() 

06、數(shù)據(jù)建模

我們選擇使用以下幾種模型進(jìn)行建置，并比較模型的分類效能。首先在將訓(xùn)練集劃分為訓(xùn)練集和驗(yàn)證集，其中訓(xùn)練集用于訓(xùn)練模型，驗(yàn)證集用于驗(yàn)證模型效果。首先導(dǎo)入建模庫(kù)：

# 建模
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from lightgbm import LGBMClassifier

# 預(yù)處理
from sklearn.preprocessing import StandardScaler, MinMaxScaler

# 模型評(píng)估
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.metrics import confusion_matrix, classification_report, accuracy_score, f1_score, roc_auc_score

# 劃分特征和標(biāo)簽
X = train.drop(['id', 'Response'], axis=1)
y = train['Response'] 

# 劃分訓(xùn)練集和驗(yàn)證集(分層抽樣) 
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, stratify=y, random_state=0) 
print(X_train.shape, X_val.shape, y_train.shape, y_val.shape) 
(304887, 8) (76222, 8) (304887,) (76222,)

# 處理樣本不平衡，對(duì)0類樣本進(jìn)行降采樣
from imblearn.under_sampling import RandomUnderSampler

under_model = RandomUnderSampler(sampling_strategy={0:133759, 1:37368}, random_state=0)
X_train, y_train = under_model.fit_sample(X_train, y_train)  
# 保存一份極值標(biāo)準(zhǔn)化的數(shù)據(jù)
mms = MinMaxScaler()

X_train_scaled = pd.DataFrame(mms.fit_transform(X_train), columns=x_under.columns)
X_val_scaled = pd.DataFrame(mms.transform(X_val), columns=x_under.columns)

# 測(cè)試集
X_test = test.drop('id', axis=1) 
X_test_scaled = pd.DataFrame(mms.transform(X_test), columns=X_test.columns)  

1. KNN算法

# 建立knn
knn = KNeighborsClassifier(n_neighbors=3, n_jobs=-1)
knn.fit(X_train_scaled, y_train)

y_pred = knn.predict(X_val_scaled)

print('Simple KNeighborsClassifier accuracy：%.3f' % (accuracy_score(y_val, y_pred)))
print('Simple KNeighborsClassifier f1_score: %.3f' % (f1_score(y_val, y_pred)))  
print('Simple KNeighborsClassifier roc_auc_score: %.3f' % (roc_auc_score(y_val, y_pred))) 

Simple KNeighborsClassifier accuracy：0.807
Simple KNeighborsClassifier f1_score: 0.337
Simple KNeighborsClassifier roc_auc_score: 0.632

# 對(duì)測(cè)試集評(píng)估
test_y = knn.predict(X_test_scaled)
test_y[:5] 
array([0, 0, 1, 0, 0], dtype=int64)

2. Logistic回歸

# Logistic回歸
lr = LogisticRegression()
lr.fit(X_train_scaled, y_train)

y_pred = lr.predict(X_val_scaled)

print('Simple LogisticRegression accuracy：%.3f' % (accuracy_score(y_val, y_pred)))
print('Simple LogisticRegression f1_score: %.3f' % (f1_score(y_val, y_pred)))  
print('Simple LogisticRegression roc_auc_score: %.3f' % (roc_auc_score(y_val, y_pred)))

Simple LogisticRegression accuracy：0.863
Simple LogisticRegression f1_score: 0.156
Simple LogisticRegression roc_auc_score: 0.536

3. 決策樹

# 決策樹
dtc = DecisionTreeClassifier(max_depth=10, random_state=0) 
dtc.fit(X_train, y_train)

y_pred = dtc.predict(X_val) 

print('Simple DecisionTreeClassifier accuracy：%.3f' % (accuracy_score(y_val, y_pred)))
print('Simple DecisionTreeClassifier f1_score: %.3f' % (f1_score(y_val, y_pred)))  
print('Simple DecisionTreeClassifier roc_auc_score: %.3f' % (roc_auc_score(y_val, y_pred))) 

Simple DecisionTreeClassifier accuracy：0.849
Simple DecisionTreeClassifier f1_score: 0.310
Simple DecisionTreeClassifier roc_auc_score: 0.603

4. 隨機(jī)森林

# 決策樹
rfc = RandomForestClassifier(n_estimators=100, max_depth=10, n_jobs=-1)  
rfc.fit(X_train, y_train)

y_pred = rfc.predict(X_val) 

print('Simple RandomForestClassifier accuracy：%.3f' % (accuracy_score(y_val, y_pred)))
print('Simple RandomForestClassifier f1_score: %.3f' % (f1_score(y_val, y_pred)))  
print('Simple RandomForestClassifier roc_auc_score: %.3f' % (roc_auc_score(y_val, y_pred))) 

Simple RandomForestClassifier accuracy：0.870
Simple RandomForestClassifier f1_score: 0.177
Simple RandomForestClassifier roc_auc_score: 0.545

5. LightGBM

lgbm = LGBMClassifier(n_estimators=100, random_state=0)
lgbm.fit(X_train, y_train)

y_pred = lgbm.predict(X_val)

print('Simple LGBM accuracy: %.3f' % (accuracy_score(y_val, y_pred)))
print('Simple LGBM f1_score: %.3f' % (f1_score(y_val, y_pred)))  
print('Simple LGBM roc_auc_score: %.3f' % (roc_auc_score(y_val, y_pred))) 

Simple LGBM accuracy: 0.857
Simple LGBM f1_score: 0.290
Simple LGBM roc_auc_score: 0.591

綜上，以f1-score作為評(píng)價(jià)標(biāo)準(zhǔn)的情況下，KNN算法有較好的分類效能，這可能是由于數(shù)據(jù)樣本本身不平衡導(dǎo)致，后續(xù)可以通過其他類別不平衡的方式做進(jìn)一步處理，同時(shí)可以通過參數(shù)調(diào)整的方式來優(yōu)化其他模型，通過調(diào)整預(yù)測(cè)的門檻值來增加預(yù)測(cè)效能等其他方式。

——熱門課程推薦：

想學(xué)習(xí)PYTHON數(shù)據(jù)分析與金融數(shù)字化轉(zhuǎn)型精英訓(xùn)練營(yíng)，您可以點(diǎn)擊>>>“人才轉(zhuǎn)型”了解課程詳情；

想從事業(yè)務(wù)型數(shù)據(jù)分析師，您可以點(diǎn)擊>>>“數(shù)據(jù)分析師”了解課程詳情；

想從事大數(shù)據(jù)分析師，您可以點(diǎn)擊>>>“大數(shù)據(jù)就業(yè)”了解課程詳情；

想成為人工智能工程師，您可以點(diǎn)擊>>>“人工智能就業(yè)”了解課程詳情；

想了解Python數(shù)據(jù)分析，您可以點(diǎn)擊>>>“Python數(shù)據(jù)分析師”了解課程詳情；

想咨詢互聯(lián)網(wǎng)運(yùn)營(yíng)，你可以點(diǎn)擊>>>“互聯(lián)網(wǎng)運(yùn)營(yíng)就業(yè)班”了解課程詳情； 

想了解更多優(yōu)質(zhì)課程，請(qǐng)點(diǎn)擊>>>