应用Tensorflow2进行银行客户分类研究

发布时间：2021-04-19 16:35所属平台：学报论文发表咨询网浏览： 次

摘要本文利用当前最流行的深度学习框架Tensorflow2.3，设计了全连接神经网络模型，对银行历史购买理财产品的客户数据进行训练，生成了准确度高的神经网络模型，并利用该模型对新客户是否会购买理财产品预测。结果表明，该模型准确度达到90%以上，获得了较好

　　摘要本文利用当前最流行的深度学习框架Tensorflow2.3，设计了全连接神经网络模型，对银行历史购买理财产品的客户数据进行训练，生成了准确度高的神经网络模型，并利用该模型对新客户是否会购买理财产品预测。结果表明，该模型准确度达到90%以上，获得了较好的应用效果。

　　关键词深度学习;人工智能;Tensorflow;二分类问题;电话营销

　　1引言

　　银行每年都会推出不同的理财产品，客户经理会根据这些理财产品对客户进行电话或短信营销。由于用户数量太多、目标客户不明确，因此客户经理的工作量很大。而且频繁的电话骚扰，也容易引起非目标客户的反感。为了提高目标客户准确度和工作效率，本文采用人工智能中的深度学习算法，对该理财项目电话营销的历史销售数据进行大数据分析，生成该理财客户营销项目的神经网络模型，用来预测潜在的目标客户。该模型不仅预测准确率高，而且能大大减轻客户经理的工作强度。

　　2深度学习的基本概念

　　深度学习(DL,DeepLearning)是机器学习(ML,MachineLearning)领域的一个新的研究方向。机器学习是人工智能(AI,ArtificialIntelligence)的一种实现方法[1]。目前深度学习主要包括三种深度神经网络：全连接神经网络、卷积神经网络和循环神经网络。

　　全连接神经网络主要用于处理二分类问题、多分类问题和回归问题;卷积神经网络主要用于处理图形图像;卷积神经网络用于处理时序问题。深度学习网络内部应用了激活函数、损失函数、神经单元误差反向传播法、梯度下降法等多种数学工具，具备严谨的科学性[2]。神经网络只能接受数值类型的数据。神经网络计算一遍数据后，运行出来的结果与正解进行对比，计算损失，再根据损失重新设置神经单元的权重和偏置，再次计算一遍数据和损失。以此类推，一遍一遍地重复计算，直到损失达到满意为止。这样计算出来的神经网络模型，就可以用来对未知数据进行预测或分类。

　　3计算平台的构建

　　本文的研究采用Tensorflow2.3深度学习框架来实现。Tensorflow平台是谷歌人工智能团队谷歌大脑(GoogleBrain)开发和维护一款开源的机器学习平台，是目前最流行的深度学习开发平台。其2.x版本内置了Keras高阶API，可以用来快速构建深度神经网络[3]。

　　要安装Tensorflow，Windows10操作系统的电脑里必须有一张NVIDIA的显卡，数据在GPU中运行更快。NVIDIA10系列如1050ti、1060ti，20系列有RTX2080ti等。专用显存至少需要4GB及以上，显存越大、CUDA核心数越多，深度学习运行速度更快[4]。在软件方面，先安装好Windows10，接着安装python3.6.8，再安装NVIDIA显卡驱动程序、CUDA10.2、cudnn7.6。安装完毕后，在Windows的命令行中输入【nvcc-V】，可以看到如图所示的信息，表明CUDA10.2安装成功了。

　　4数据的获取从中国工商银行宁波北仑支行获取了45211条“保本理财随心”理财项目过去一年的电话营销记录，客户样本数量达45211条，数据用CVS文件存储，共17列。详述如下：(1)年龄：数字。(2)工作：管理员、未知、失业者、经理、女佣、企业家、学生、蓝领、个体户、退休人员、技术人员、服务人员。(3)婚姻：已婚、离婚、单身。

　　(4)教育：未知、中学、小学、高中、大学。(5)默认值：是否具有信用。(6)余额：年均余额，单元为元。(7)住房：是否有住房贷款。(8)贷款：是否有个人贷款。(9)联系人：未知、固定电话号码、手机号码。(10)天：最后一次联系日。(11)月：最后一次联系的月份。(12)持续时间：上次联系时间，以秒为单位。(13)广告系列：在此广告系列和此客户的联系次数。(14)间隔天数：与客户上一次联系的间隔天数，-1表示没有联系过。(15)以前：此广告系列之前和此客户联系的次数。(16)以前结果：以前的营销活动的结果，包 括未知、其它、失败、成功。(17)客户是否购买了本理财：是，否。从上述样本结构可以看出，前16列为客户的特征信息，第17列为此理财的营销结果，即该客户是否购买了本理财产品。数据的读取与替换CSV文件通常用numpy或pandas来读取。numpy要求CSV文件中的内容都是数值，读入后是numpy.ndarray，即numpy的维数组。Pandas则可以读取包含不同数据类型的CSV文件，生成pandas.core.frame.DataFrame类的对象[5]。

　　6数据集的生成数据在送入神经网络前，需要将它们分成训练集、验证集和测试集。训练集用来训练神经网络模型，数据量越大效果越好;验证集不参与训练，用于验证每个epoch的训练效果;测试集用来检验训练出来的模型的预测、分类效果。7数据的正态化训练集、验证集和测试集生成后，由于其中的数据大小差异太大，会影响到模型的训练效果，必须将它们整体进行正态化处理，即让表中的所有数值的数学期望即平均值为、标准偏差(即RMSE标准差、均方根误差)为。

　　10应用效果上述训练出来的深度神经网络模型，已经在中国工商银行宁波市北仑支行推出的“保本理财随心”理财项目上进行应用，对10万名客户样本进行了预测，对模型判定会购买本理财产品的客户进行电话营销;而对模型判定出的不会购买本理财产品的客户，则进行短信营销。结果表明，本模型很精准，目标客户购买率高，同时大大减轻了客户经理的劳动强度。

　　深度学习论文范例：情境教育构建多样态的语文深度学习

　　11结语

　　本文的研究使用人工智能领域中目前最热门的Tensorflow2.3深度学习框架，在NvidiaRTX2080Ti11GB显卡上进行[8]，对银行理财客户的历史营销数据进行建模、训练、预测;取得了很好的应用效果。由于目前学习较浅，后续再深入学习深度神经网络，可对本模型再进行进一步的优化，提高模型的准确度。本应用是针对银行理财客户营销进行二分类处理，稍加改造，也可以用于其它分类问题的预测。

　　参考文献：

　　[1]魏贞原深度学习基于Keras的Python实践北京电子工业出版社,2019

　　[2]涌井良幸深度学习的数学北京人民邮电出版社,2020[3]赵英俊.Tensorflow2.0深度学习应用编程快速入门北京电子工业出版社,2019

　　[4]王晓华.Tensorflow2.0深度学习从零开始学北京清华大学出版社,2020

　　[5]魏贞原机器学习Python实践北京电子工业出版社,2019

　　[6]武凌王浩张晓春等基于深度迁移学习的垃圾分类系统设计与实现沈阳大学学报(自然科学版),2020,32(6):496502

　　[7]岳晓明李俊侯言旭等基于enterNet的垃圾分类检测方法工业控制计算机,202033(8):78-82

　　作者：沈巧云曾棕根

转载请注明来源。原文地址：http://www.xuebaoqk.com/xblw/6414.html

《应用Tensorflow2进行银行客户分类研究》

• 上一篇：印刷包装行业的细分市场发展预估数据
• 下一篇：招商银行个人理财业务的问题与对策分析