【機械学習】【R】Rでのデータ分析（１）　ー銀行の顧客ターゲティング【SIGNATE】ー

昨年、データサイエンティスト協会主催のデータサイエンティスト養成講座を受講し、その中でRを使ったデータ分析手法を学んだのでその復習兼ねてまとめておきます。

（参考：データサイエンティスト養成講座）
https://www.datascientist.or.jp/news/ds-training-program201909/

目次

1. 1. 概要
   2. データセット
   3. データ分析
   4. 前処理（※別記事）
   5. モデル構築（※別記事）
   6. 改善（※別記事）
   7. 評価（※別記事）

１．概要

データ分析コンテストで有名なKaggleの日本版とも呼ばれるSIGNATEのデータ分析問題を扱います。

２．データセット

使用するデータは、27,128名の顧客データとキャンペーンの結果（定期預金申込の有無）データ。

最終的にコンペで予測するのは、18,083名のキャンペーンに対する反応（結果）。

nrow(train_data))

[1] 27128

３．データ分析

まず、学習データ全体での成約率（陽性率）を確認する。

train_data <- dplyr::group_by(train_data,y)
dplyr::summarise(train_data,n=n())
dplyr::ungroup(train_data)

27128件中、成約に至った（y：１）のは3174件で、全体の１１.７％

次に説明変数の確認のため、離散変数についてその値ごとに成約率（陽性率）を確認する。

・job( 職種)ごとの成約率

train_g1 <- train_data
train_g1 <- dplyr::group_by(train_g1,job)
dplyr::summarise(train_g1,n=n(),mean=mean(y))

👉成約率(mean)が高いのは、student（学生）、retired（退職者）、management（経営者）、admin（管理職）で、学生、高齢者、失業者、富裕者となった。
👉成約率が低いのは、blue-color（肉体労働者）、services（サービス業）、entrepreneur（企業家）、housemaid（家政婦）で低所得層となった。

並び替えると以下の通り。

同様にして、

・matiral(未婚/既婚)ごとの成約率

train_g1 <- train_data
train_g1 <- dplyr::group_by(train_g1,marital)
dplyr::summarise(train_g1,n=n(),mean=mean(y))

👉大きな差は見られないが、single（独身）がやや高めの傾向。

・education(教育水準)ごとの成約率

train_g1 <- train_data
train_g1 <- dplyr::group_by(train_g1,education)
dplyr::summarise(train_g1,n=n(),mean=mean(y))

👉primary（初等教育）ほど成約率は低く、secondary（中等教育）、teritary（三次教育、高等教育）と高度になるほど成約率が高くなる傾向。
👉unknownは欠損値のため削除するか補充するか処理が必要となる。

・defaulごとの成約率

train_g1 <- train_data
train_g1 <- dplyr::group_by(train_g1,default)
dplyr::summarise(train_g1,n=n(),mean=mean(y))

👉no（債務不履行なし）の方が、yes（債務不履行あり）よりも成約率は高い

・housing（住宅ローン）ごとの成約率

train_g1 <- train_data
train_g1 <- dplyr::group_by(train_g1,housing)
dplyr::summarise(train_g1,n=n(),mean=mean(y))

👉no（住宅ローンなし）の方が、yes（住宅ローンあり）よりも成約率が高い傾向

・loanごとの成約率

train_g1 <- train_data
train_g1 <- dplyr::group_by(train_g1,loan)
dplyr::summarise(train_g1,n=n(),mean=mean(y))

👉no（個人ローンなし）の方が、yes（個人ローンあり）よりも成約率が高い傾向

・contactごとの成約率

train_g1 <- train_data
train_g1 <- dplyr::group_by(train_g1,contact)
dplyr::summarise(train_g1,n=n(),mean=mean(y))

👉cellular（携帯）の方が絶対数が多いが、成約率とはあまり相関はなさそう

・poutcome（前回実績）ごとの成約率

train_g1 <- train_data
train_g1 <- dplyr::group_by(train_g1,poutcome)
dplyr::summarise(train_g1,n=n(),mean=mean(y))

👉圧倒的にsuccess（前回実績も成功）の場合に成約率が高いが、unknownのデータが多いのでそのままでは利用し難い

さらに、変数間の相関を確認する。

cor(train_data)

👉ただし、今のままだと文字型の変数が含まれているためエラーになるのでいったん数値型変数に絞って実施してみる

👉まず数値型の変数のみ抽出した別のデータフレームを作成してから相関行列を作成する

str(train_data)
list <- c("age","balance","day","duration","campaign","pdays","previous","y")
train_1 <- train_data[,list]
train_1
cor1 <- cor(train_1)
cor1

👉balance（資産）とage、campaign（接触回数）とday（最終接触日）、previous（接触実績）とpdays（接触日からの経過日数）、y（成約に至ったか）とduration（接触時間）には正の相関が見られる

👉pdays（接触日からの経過日数）とday（最終接触日）には弱い負の相関が見られる

この後、前処理（変数加工）してアルゴリズム構築して実際の分析と評価になりますが、少し長くなったので別記事で。

以上

続きは以下

【機械学習】【R】Rでのデータ分析（２）　ー銀行の顧客ターゲティング【SIGNATE】ー