Предсказание отклика клиента на промо банка

Astashov I.V., 2024.

Репозиторий содержит проект с первичной предобработкой полученных данных, их разведочным анализом и обученной моделью, предсказывающую отклик клиента на промо банка.

Презентация ML - решения представлена в виде веб-приложения на платформе Streamlit.

Проект выполнен в рамках курса «Прикладной Python» магистерской программы НИУ ВШЭ «Машинное обучение и высоконагруженные системы».

(1) Файлы

• app.py: файл приложения streamlit
• models/model.py: скрипт для обучения модели классификатора CatBoost
• data/df_full.csv и trained_model.cbm: предобработанные данные и предобученная модель
• requirements.txt: файл зависимостей

(2) Запуск локально

Shell

Для прямого запуска streamlit локально:

$ python -m venv venv
$ source venv/bin/activate
$ pip install -r requirements.txt
$ streamlit run app.py

Открыть http://localhost:8501 для просмотра приложения.

Docker

$ docker build . -t streamlit-app:latest
$ docker run -it --rm -p '8501:8501' streamlit-app

Открыть http://localhost:8501 для просмотра приложения.

(3) Данные

Предварительно собранные данные о клиентах data/*.csv:

• clients.csv: демография, образование, социальный статус, семья и активы;
• close_loan.csv: статус полученных кредитов;
• job.csv: информация о работе;
• last_credit.csv: информация о последнем кредите;
• loan.csv: кредитная история;
• pens.csv: статусы относительно пенсии;
• salary.csv: информация о доходах;
• target.csv: статус отклика на промо банка (целевой признак);
• work.csv: статусы относительно работы.

(4) Разведочный анализ данных

В файле, данные были отчищены от дубликатов, пропусков и аномальных значений. Агрегированны по полученным и погашенным кредитам и объединены в одну таблицу. Проведен анализ, в следствии которого, был получен ответ на вопрос о том, какие факторы влияют на отклик клиентов на промо.

(A) Благодарности

Дизайн репозитория частично заимстован: ссылка-1, ссылка-2. Используемые материалы: Stepik, Лекции HSE.