项目概述：用户在预定酒店后并不一定会最终入住，为了深入了解用户的流失特性，对造成预订用户流失的关键因素进行挖掘，并深入刻画用户画像及行为偏好，针对不同的用户提出针对性的营销建议。

项目流程：

1）基于pandas、numpy、matplotlib等进行EDA探索，对各项特征呈现出的分布特性进行描述性统计，并对异常值和缺失值进行数据处理；

2）对原始49个特征进行相关性分析，并基于实际业务理解采用PCA进行特征降维处理,对降维后的41个特征进行正态化和标准化；

3）采用LR、naive_bayes、SVM、DecisionTree和RandomForest进行流失预测，并对各类模型的混淆矩阵和ROC曲线进行对比分析；

4）基于RFM理论，将距离上次下单的时长、用户年订单数、用户消费水平分别作为R、F、M的值对各类用户占比进行分析，采用k-means对用户进行聚类分析，根据聚类结果对各类用户的典型特征进行分析并刻画用户画像。

项目结论：RandomForest模型能够实现精确率90%和召回率90%，AUC值0.901,“客户价值”、“预定日期距离入住日期时长”、“价格敏感指数”等是影响流失的关键特征；根据聚类结果，低价值用户占比较高，其次是高价值用户和中等价值用户，低价值用户虽然群体庞大，但是营销成本较高，建议营销方式以推送信息为主，内容主要为减价、酬宾等优惠信息。

项目概述：用户在进行金融借贷后将有可能会违约，利用用户的的信用信息和借贷信息，来对用户未来违约的可能进行预测，以此帮助借贷者做出最佳的财务决策。

项目流程：

1）对基本数据情况和数据平衡性进行探索，利用直方图、箱型图和热力图等对数据特征统计，实现数据EDA；

2）进行特征工程处理，对异常数据和缺失数据进行众数、中位数或分位数处理，构造去除共线性函数，对高度相关的几个特征值进行为新特征；

3）构造LR、RandomForest、XGBOOST预测模型管道，以roc_auc作为评估函数进行模型交叉验证，利用表现最好的模型对测试集进行预测。

项目结论：XGBOOST在训练集的交叉验证得分为0.8655，“可用信贷额度比例”、“年龄”,、“负债率”等是用户是否会违约的关键特征。

项目概述：对华盛顿区域某一时段的自行车租赁数量进行预测，帮助经营户主根据不同的天气状况、日期特性等对区域自行车进行合理安排。

项目流程：

1）对数据进行EDA探索，对缺失数据和异常数据进行数据清洗和转化；

2）开展特征工程，将主要的时间性特征和气候性特征进行关联性分析和可视化分析，对特征间表现出的多重共线性和偏态分布进行特征工程处理；

3）以均方根对数误差RMSLE作为损失函数，采用RandomForest、LR、GDBT进行模型预测。

项目结论：GDBT能取得较好的预测效果，RMSLE为0.1908。

项目概述：文本分类是NLP的典型应用场景，利用TEXT-RNN深度学习神经网络模型对文本进行分别识别。

项目流程：

1）对文本进行预处理，去除冗余标签已经无意义停用词；

2）对文本进行数值化处理，创建vocabulary_list和content_list，并通过word2id_dict实现文本数值化；

3）利用tensorflow构建GRU循环神经网络，以交叉熵为损失函数优化模型参量，实现高精度分类。

项目结论：模型实现总体精度0.88，召回率0.882，F1-score0.875，其中针对房产类的样本能够实现最高F1-score0.997。

项目概述：银行通常会面向广大的客户群体进行营销，但是业务成功营销的概率却往往不高。通过对目标群体、营销渠道、定价策略等维度进行分析，刻画客户群体肖像，并对营销是否会成功进行预测，帮助银行合理制定营销方案。

项目流程：

1）利用pandas、numpy对数据进行清洗和过滤，并对各项离散型和连续性特征进行EDA探索，了解数据整体分布情况；

2）对17项关键特征进行多重探究分析，通过矩阵相关性分析，挖掘影响用户营销结果的关键因素；

3）采用DecisionTree、naive_bayes、SVM和Neural Network进行营销结果预测，利用混淆矩阵对比模型精度并筛选最优模型。

项目结论：DecisionTree模型能够实现精确率82%和召回率81%，模型效果更好；从营销结果来看，20岁以下或60岁以上的群体似乎更容易营销成功，因此可以考虑将他们作为重点的营销对象；随着通话时间越长，客户的营销成功率明显增加，因此可以将通话时间高于平均值的客户设为目标群体。