Mijoz omonat ochadimi?
Oldindan biling.
Bank marketing ma’lumotlari asosida o‘qitilgan Random Forest modeli mijozning muddatli omonat ochish ehtimolini hisoblaydi. Profilni kiriting — natija bir zumda, to‘liq o‘zbek tilida va faqat brauzeringizda.
Bank marketing ma’lumotlari bir qarashda
20 493 mijoz, 10 ustun va bitta asosiy savol: mijoz muddatli omonat ochadimi? Ma’lumotlar nemis tilidagi bank marketing kampaniyasidan olingan. Quyida asosiy taqsimotlar va ularning marketing uchun ma’nosi.
Maqsadli belgi
Omonat ochgan va ochmagan mijozlar
Ma’lumotlar muvozanatsiz: har to‘rt mijozdan faqat bittasi ijobiy.
Yosh taqsimoti
O‘rtacha yosh 39,5; eng faol guruh 30–40 yosh
18–69 yosh oralig‘i. 20 492 model yozuvi asosida.
Hisob balansi
Ko‘pchilik mijozning balansi 0–2 000 € atrofida
Grafik uchun −2 000…8 000 € oralig‘i ko‘rsatilgan.
Qo‘ng‘iroq davomiyligi
O‘rtacha suhbat 298 soniya (≈5 daqiqa)
Grafik uchun 0–1 500 soniya oralig‘i ko‘rsatilgan.
Kasblar bo‘yicha mijozlar
Har beshinchi mijozning kasbi noma’lum — bu alohida toifa
Oilaviy holat va ma’lumot
Turmush qurganlar va to‘liq o‘rta ma’lumotlilar ko‘pchilik
Qo‘ng‘iroq qancha uzoq bo‘lsa, konversiya shuncha yuqori
15 daqiqadan uzun suhbatlarda mijozlarning 74,8% i omonat ochgan. Bu qo‘ng‘iroq davomiyligining eng kuchli belgi ekanini tushuntiradi — ammo u suhbatdan keyin ma’lum bo‘ladi.
Ustunlar lug‘ati
Asl nemis nomlari va ularning o‘zbekcha izohi
| Ustun | O‘zbekcha | Tavsif | Turi |
|---|---|---|---|
Alter | Yosh | Mijozning yoshi | Son |
Beruf | Kasb | Mijozning kasbi yoki faoliyati | Toifa |
Familienstand | Oilaviy holat | Turmush qurgan, bo‘ydoq yoki ajrashgan | Toifa |
Ausbildung | Ma’lumot darajasi | O‘rta, to‘liq o‘rta yoki oliy ma’lumot | Toifa |
Ausgefallen | Kredit defolti | Kredit bo‘yicha kechikish bormi (0/1) | Binar |
Kontostand | Hisob balansi | Mijozning yillik o‘rtacha balansi (€) | Son |
Eigentum | Uy-joy krediti | Uy-joy krediti bormi (0/1) | Binar |
Darlehen | Shaxsiy kredit | Shaxsiy kredit bormi (0/1) | Binar |
Dauer | Qo‘ng‘iroq davomiyligi | Oxirgi suhbat davomiyligi (soniya) | Son |
Label | Maqsad | Mijoz omonat ochganmi (1 — ha, 0 — yo‘q) | Maqsad |
Ma’lumotlardan namuna
Birinchi 8 yozuv, o‘qish uchun qulay ko‘rinishda
| Yosh | Kasb | Oilaviy holat | Ma’lumot | Balans | Uy-joy | Kredit | Davomiylik | Natija |
|---|
Manba: bank_marketing_adal_v1.0.csv. Ustun nomlari asl holida saqlangan.
Random Forest: 200 ta daraxtning jamoaviy qarori
Random Forest — ko‘plab qaror daraxtlarini birlashtirib, bitta daraxtning tasodifiy xatolarini kamaytiradigan ansambl usuli. Har bir daraxt ma’lumotning tasodifiy qismida o‘qitiladi, yakunda esa ularning o‘rtacha ehtimoli hisoblanadi.
Yuklash
20 493 yozuv, 10 ustun. ; ajratgichi bilan o‘qildi.
Tozalash
Dauer=0 bo‘lgan 1 yozuv olib tashlandi. Chekka qiymatlar Random Forest uchun xavfli emas — ular saqlab qolindi.
Kodlash
Uchta toifa alifbo tartibida raqamlarga o‘tkazildi. «Noma’lum» alohida toifa bo‘lib qoldi.
Bo‘lish
70% o‘quv, 30% test. Stratifikatsiya va random_state=4711.
O‘qitish
200 daraxt, chuqurlik 12, bargda kamida 10 yozuv. max_features=sqrt.
Baholash
Test to‘plamida ROC-AUC, qamrov, pretsiziya va lift. 10-fold CV.
Model nimalarni to‘g‘ri topdi?
40% qaror chegarasidagi chalkashlik matritsasi
Model 24,2% mijozni tanlab, haqiqiy obunachilarning 63,6% ini topadi. Bu tasodifiy tanlovdan 2,63 baravar samaraliroq.
Model egri chizig‘i
ROC va Precision–Recall ko‘rsatkichlari
ROC-AUC 0,863 — model tasodifiy taxmindan ancha yaxshi. Diagonal chiziq tasodifiy taxminni bildiradi.
Qaysi belgi muhim?
Random Forest feature importance (Gini)
Qo‘ng‘iroq davomiyligi 59,2% muhimlik bilan birinchi o‘rinda. Ammo u suhbatdan keyin ma’lum bo‘ladi — shuning uchun modeldan oldindan targetlashda foydalanishda ehtiyot bo‘lish kerak. Balans, yosh va uy-joy krediti esa oldindan mavjud belgilar.
Model parametrlari
Takrorlanadigan konfiguratsiya
Nega ko‘rsatkichlar notebookdagidan farq qiladi?
Asl notebookda sinflar balanslash test to‘plamiga bo‘lishdan oldin bajarilgan. Shu sababli bir xil mijozlar o‘quv va test to‘plamida takrorlangan (data leakage), test to‘plami esa sun’iy 50/50 bo‘lgan. Bu 92,4% aniqlik va 98,9% ROC-AUC ni tushuntiradi. Veb-versiyada avval bo‘lish bajariladi, test to‘plami haqiqiy 76/24 taqsimotni saqlaydi. Shuning uchun 82,3% aniqlik va 86,3% ROC-AUC — realroq va ishonchliroq ko‘rsatkich.
Random Forest ichidagi bitta daraxt
Har bir daraxt ma’lumotni shartlar bo‘yicha bo‘lib chiqadi. Barglarda ijobiy natija ehtimoli saqlanadi. Random Forest 200 ta shunday daraxtning o‘rtacha ovozini oladi.
Mijozingizni sinab ko‘ring
Quyidagi maydonlarni to‘ldiring. Model 200 ta daraxt yordamida ehtimolni bir zumda hisoblaydi. Ma’lumotlar brauzeringizdan chiqmaydi.
CSV faylni yuklang — butun ro‘yxatni baholang
Bank kampaniyasi ro‘yxatini yuklang. Model har bir mijoz uchun ehtimol va ustuvorlikni hisoblaydi. Fayl brauzerda qayta ishlanadi va serverga yuborilmaydi.
Eng yuqori ustuvorlikdagi 20 mijoz
To‘liq ro‘yxatni CSV qilib yuklab olishingiz mumkin.
| # | Yosh | Kasb | Balans | Davomiylik | Ehtimol | Tavsiya |
|---|
Kod bilan tanishing — o‘rganing va takrorlang
Model Python/scikit-learn’da o‘qitilgan. Saytda esa xuddi shu daraxtlar JavaScript’da ishlaydi. Quyidagi bo‘limlar loyihaning asosiy qadamlarini ko‘rsatadi.
Ko‘p so‘raladigan savollar
Model, ma’lumotlar va natijalar haqida eng ko‘p beriladigan savollarga qisqa va aniq javoblar.
Model aslida nima qiladi?
Mijoz profiliga qarab uning muddatli omonat ochish ehtimolini 0–100% oralig‘ida hisoblaydi va marketing ustuvorligini tavsiya qiladi. Model 200 ta qaror daraxtining o‘rtacha ehtimolini oladi.
Ma’lumotlarim xavfsizmi?
Ha. Barcha hisob-kitoblar brauzeringizda bajariladi; hech qanday ma’lumot serverga yuborilmaydi. Sayt statik fayllardan iborat, backend yo‘q. CSV fayl ham faqat sizning qurilmangizda qayta ishlanadi.
Nega ustun nomlari nemischa?
Asl ma’lumotlar to‘plami nemis tilida. Saytda har bir ustunning o‘zbekcha izohi va toifalar tarjimasi berilgan; model esa asl kodlash bilan ishlaydi. Bu kodni asl notebook bilan solishtirishni osonlashtiradi.
82,3% aniqlik — bu yaxshimi?
Bu ma’lumotlar uchun yaxshi natija: ROC-AUC 86,3%, 40% chegarada haqiqiy obunachilarning 63,6% i topiladi va lift 2,63×. Muvozanatsiz ma’lumotda aniqlik yolg‘iz o‘zi chalg‘ituvchi bo‘lishi mumkin, shuning uchun qamrov, pretsiziya va lift ham ko‘rsatilgan.
Nega notebookda 92% natija bor edi?
Asl notebookda sinflar balanslash test to‘plamiga bo‘lishdan oldin bajarilgan. Shu sababli bir xil mijozlar o‘quv va test to‘plamida takrorlangan (data leakage), test to‘plami esa sun’iy 50/50 bo‘lgan. Veb-versiyada bo‘lish birinchi bajariladi, test esa haqiqiy taqsimotda — shuning uchun ko‘rsatkichlar pastroq, lekin ishonchliroq.
Qo‘ng‘iroq davomiyligini oldindan bilmasam bo‘ladimi?
Ha, bu muhim cheklov. Davomiylik eng kuchli belgi (59,2%), lekin u suhbatdan keyin ma’lum bo‘ladi. Oldindan targetlash uchun davomiyliksiz model kerak bo‘ladi; bu loyihada asl notebookga sodiq qolindi va bu cheklov model bo‘limida alohida ta’kidlangan.
Saytni o‘zim ishga tushira olamanmi?
Ha. python3 serve.py buyrug‘i saytni localhost:8000
da ochadi. GitHub Pages uchun tayyor workflow ham qo‘shilgan. Modelni qayta
o‘qitish uchun python3 scripts/prepare_model.py buyrug‘ini
ishlating.
Natijani bank qarori sifatida ishlatsa bo‘ladimi?
Yo‘q. Bu o‘quv loyihasi va faqat marketing ustuvorligini aniqlashda yordamchi signal sifatida ishlatilishi mumkin. Haqiqiy qarorlar qo‘shimcha tekshiruv, qonunchilik talablari va mas’uliyatli tahlilni talab qiladi.