关于数据集

抽象的

数据与葡萄牙一家银行机构的直接营销活动（电话营销）相关。分类目标是预测客户是否会认购定期存款（变量 y）。

信息

这些数据与葡萄牙一家银行机构的直接营销活动有关。营销活动以电话联系为基础。通常需要与同一客户联系多次，才能了解该产品（银行定期存款）是否会被认购（“是”）或不会被认购（“否”）。bank
-additional-full.csv 包含所有示例（41188 个）和 20 个输入，按日期排序（从 2008 年 5 月到 2010 年 11 月），非常接近 [Moro et al., 2014] 中分析的数据
。提供最小的数据集是为了测试计算要求更高的机器学习算法（例如 SVM）。分类目标是预测客户是否会认购（是/否）定期存款（变量 y）。

属性

输入变量：

银行客户数据：

1 – 年龄（数字）
2 – 工作：工作类型（分类：’行政’、’蓝领’、’企业家’、’女佣’、’管理’、’退休’、’自雇’、’服务’、’学生’、’技术员’、’失业’、’未知’）
3 – 婚姻：婚姻状况（分类：’离婚’、’已婚’、’单身’、’未知’；注：’离婚’表示离婚或丧偶）
4 – 教育（分类：’基础.4y’、’基础.6y’、’基础.9y’、’高中’、’文盲’、’专业课程’、’大学学位’、’未知’）5
– 违约：是否有信用违约？ （分类：‘否’，‘是’，‘未知’）
6 – 住房：有住房贷款吗？（分类：‘否’，‘是’，‘未知’）
7 – 贷款：有个人贷款吗？（分类：‘否’，‘是’，‘未知’）

与当前活动的最后一次接触有关：

8 – contact：联系通信类型（分类：’蜂窝’，’电话’）
9 – month：最后联系月份（分类：’一月’，’二月’，’三月’，…，’十一月’，’十二月’）
10 – day_of_week：最后联系星期几（分类：’星期一’，’星期二’，’星期三’，’星期四’，’星期五’）
11 – duration：最后联系持续时间，以秒为单位（数字）。重要提示：此属性会极大地影响输出目标（例如，如果duration = 0，则y =’no’）。但是，在进行呼叫之前无法知道持续时间。此外，在通话结束后，y显然是已知的。因此，此输入仅应用于基准测试目的，如果目的是建立一个切合实际的预测模型，则应将其丢弃。

其他属性：

12 – 活动：在此活动期间为该客户进行的联系次数（数字，包括最后一次联系）
13 – 天数：自上次活动联系客户以来经过的天数（数字；999 表示之前未联系过客户）
14 – 先前：在此活动之前为该客户进行的联系次数（数字）
15 – 结果：上次营销活动的结果（分类：“失败”、“不存在”、“成功”）

社会和经济背景属性

16 – emp.var.rate：就业变化率 – 季度指标（数字）
17 – cons.price.idx：消费者价格指数 – 月度指标（数字）
18 – cons.conf.idx：消费者信心指数 – 月度指标（数字）
19 – euribor3m：欧元银行同业拆借利率 3 个月 – 每日指标（数字）
20 – nr.employed：员工人数 – 季度指标（数字）

输出变量（期望目标）：
21 – y – 客户是否已认购定期存款？（二进制：’是’，’否’）

致谢

此数据集可供研究者公开使用。详情请参阅 [Moro et al., 2014]。
如果您计划使用此数据库，请注明来源：

[Moro 等，2014] S. Moro、P. Cortez 和 P. Rita，《一种预测银行电话营销成功率的数据驱动方法》。《决策支持系统》，爱思唯尔，62:22-31，2014 年 6 月

数据来源：UCI机器学习库

灵感

您的数据将呈现在全球最大的数据科学社区面前。您希望看到哪些问题的答案？