全部版块 我的主页
› 论坛 › 计量经济学与统计论坛 五区 › 数据交流中心
91 1
2026-11-17

45,211 通电话记录,11.7% 的客户最后买了定期存款。这是 UCI 机器学习仓库编号 222 的 Bank Marketing 数据集,2012 年 2 月由米尼奥大学的 Paulo Cortez 和 ISCTE-IUL 的 Sérgio Moro 上传,原站页面浏览 81 万多次、列出 9 篇引用论文。它每一行就是一次真实的电话营销接触,含客户属性、本次接触细节、历史营销结果和最终是否认购,是营销响应建模用得最多的入门数据之一。

 

好用的地方是真,麻烦的地方也在。几个列如果直接塞进模型,指标会好看得没有意义。

 

包里其实是四份数据,先看清再下

 

原站说明把四个文件列得很清楚:bank-additional-full.csv 41,188 条、20 个输入,按日期排序,2008 年 5 月到 2010 年 11 月;bank-additional.csv 是它的 10% 随机抽样,4,119 条;bank-full.csv 45,211 条、17 个输入,同样按日期排序、同样跨度;bank.csv 是它的 10% 抽样,4,521 条。

 

文件行数输入变量说明
bank-additional-full.csv41,18820带 5 个宏观经济指标,接近 2014 年论文所用版本
bank-additional.csv4,11920上一个文件的 10% 抽样
bank-full.csv45,21116早期版本,字段少
bank.csv4,52116早期版本的 10% 抽样

 

想复现 2014 年那篇 Decision Support Systems 的结论,用 bank-additional-full.csv;只想跑通流程、算力有限,用 10% 子样本,原站自己就写明小样本是给 SVM 这类吃算力的算法准备的。

 

先算出 88.3%,再谈准确率

 

bank-full.csv 里 y=no 有 39,922 条、y=yes 有 5,289 条,正例 11.7%;bank-additional-full.csv 里是 36,548 对 4,640,正例 11.27%。也就是说一个什么都不学、永远输出 no 的模型,准确率就是 88.3%。

 

任何一份分析写着"准确率 89%",先要问比这条基线高几个点。这类不平衡数据该看 AUC、KS 或提升度,而不是准确率;把正例重采样到 50 对 50 再看准确率,也解决不了问题,只会换一个虚高的数。

 

duration 这一列,官方自己说该扔

 

字段说明里有一整段专门讲通话时长:它强烈影响结果(时长 0 秒必然是 no),但打电话之前不可能知道这通电话会打多久,电话结束之后结果又已经知道了。原文的结论是这一列只适合用于基准对比,要建真实可用的预测模型就该去掉。

 

数据里也能直接看到这件事。时长 60 秒以内的 4,766 通,认购率 0.19%;601 到 1,200 秒的 3,230 通,46.04%;1,200 秒以上的 560 通,61.79%。把这列留在特征里,模型学的其实是"客户有没有耐心听完介绍",而不是"这个客户会不会买"。

 

上次营销成功的人,这次 64.7% 也买了

 

poutcome 记录上一次营销的结果,是全表区分度最高的一列。bank-full.csv 里上一次成功(success)的只有 1,511 条,认购率 64.73%;上一次失败(failure)4,901 条,12.61%;unknown 36,959 条,9.16%;other 1,840 条,16.68%。

 

但它只覆盖少数人。36,954 条记录的 pdays 是 1,含义是此前从未被联系过,真正带历史营销信息的只有 8,257 条,占 18.3%。做用户分层时,这 18.3% 和剩下的 81.7% 最好分开看,混在一起训练会把这一列的作用稀释掉。

 

五月的电话占了全年三成

 

13,766 条记录发生在 5 月,占 30.4%;7 月 6,895 条、8 月 6,247 条次之。营销活动季节性很明显,按时间顺序切训练集和测试集,测试集很可能整段落在某个月里,指标波动会被季节效应而不是模型能力解释。按随机切分也有代价,同一批客户可能同时出现在两边。两种切法都报一遍,比只报一个诚实。

 

unknown 不是缺失值

 

字段说明里写了两句话:分类变量的缺失统一编码成 unknown,同时数据"没有缺失值"。两句并不矛盾——缺失被当成一个类别标签了。所以在 pandas 里 df.isna() 全是 False,不代表数据干净,只代表缺失被藏起来了。

 

具体分布:contact 列 13,020 条 unknown(占 28.8%,是第二大类),education 1,857 条,job 288 条,default 列 815 条 yes。把 unknown 当独立类别、并进众数、还是单独拆一列标记,三种做法会给出三种结论。

 

这套数据适合做什么、不适合做什么

 

适合:营销响应二分类、类别不平衡处理、特征重要性排序、客户分层的教学案例、AUC 与提升曲线的对比练习。原站还给了 Python 一行导入的写法(fetch_ucirepo(id=222)),拿来就能跑。

 

不适合:当成中国银行业的数据(葡萄牙一家零售银行,2008—2010 年,附加的宏观指标也是葡萄牙的);当成多产品推荐数据(全表只有一个产品,定期存款);当成实时决策数据(宏观指标是国家层面的季度与月度指标,duration 更是事后才知道)。

 

────────────────

原站入口、四份文件的直链、21 个字段的全表、CC BY 4.0 的许可原文与引用写法,以及上面几个分桶的完整数字,都放在下面,回复本帖可见。


游客,如果您要查看本帖隐藏内容请回复

把经管之家装进你常用的 AI 智能体中

一键快捷安装经管之家 MCP/技能,让 AI 帮你查教程、找数据、读论坛帖子。

检索、阅读公开帖子不收费,安装可申请领取:3 通用积分+100 论坛币+3 元论坛资金

请点击查看安装教程与福利 →

说明: AI 算力按所用平台规则计算;附件按原帖条件获取;福利领取条件以活动页面为准。

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2026-11-17 11:14:31
先收藏,回头细看
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群