PythonAI算法
Python 机器学习：基于逻辑回归和决策树的寿险续保预测
本项目利用 Python 机器学习技术构建寿险续保预测模型。通过逻辑回归和决策树算法，分析人口统计、保险特征等数据。结果显示模型准确率达 92%，AUC 约 0.97。关键影响因素包括收入水平、婚姻状况、年龄及职业。业务上建议针对高价值客户（中高收入、已婚）优化服务，对年轻未婚或老年单身群体制定差异化策略以提升续保率。
本项目利用 Python 机器学习技术构建寿险续保预测模型。通过逻辑回归和决策树算法，分析人口统计、保险特征等数据。结果显示模型准确率达 92%，AUC 约 0.97。关键影响因素包括收入水平、婚姻状况、年龄及职业。业务上建议针对高价值客户（中高收入、已婚）优化服务，对年轻未婚或老年单身群体制定差异化策略以提升续保率。
本项目旨在通过数据分析和机器学习技术，深入挖掘营销保险续保的关键因素，构建续保预测模型，帮助保险公司预测用户是否会续保，探索影响用户续保行为的关键因素，识别高价值用户、可能流失的用户，从而采取针对性的营销服务，减少客户流失，提升留存率。
数据集包含 1000 条记录，包含以下主要特征：
![图片]
![图片]
数值型特征相关性分析
从相关系数中可以发现，年龄、家庭成员数、保单金额三个特征之间具有正相关性。
# 皮尔逊相关系数（Pearson correlation coefficient）是衡量两个变量之间线性相关程度的指标，其值介于 -1 与 1 之间。值接近 1 表示正相关，接近 -1 表示负相关，接近 0 表示无相关。
![图片]
分类型特征和续保相关性分析
收入水平、婚姻状态、教育水平、理赔历史、性别等特征，和是否续保都具有显著相关性。
# 卡方检验（Chi-square test）是一种用于检验分类变量之间是否独立的统计方法。它基于观察频数和期望频数的差异来判断两个变量是否相关。 # 判断显著性：将计算出的卡方统计量与卡方分布临界值比较（根据自由度和显著性水平，通常为 0.05）。如果卡方统计量大于临界值，则拒绝零假设，认为两个变量之间存在显著关联。
| Variable | Chi2 | P_value | Significant |
|---|---|---|---|
| income_level | 255.2955 | 3.66E-56 | TRUE |
| marital_status | 125.3968 | 5.89E-28 | TRUE |
| education_level | 18.05732 | 0.000428 | TRUE |
| claim_history | 11.72501 | 0.000617 | TRUE |
| gender | 9.345081 | 0.002236 | TRUE |
使用逻辑回归模型对寿险客户是否会续保进行了预测分析，再基于模型系数解释不同客户特征对续保决策的影响。
分类报告与混淆矩阵
![图片]
PR 曲线与 AUC 值
![图片]
PR 曲线展示召回率和准确率的关系，更加关注正类的识别质量，对类别不平衡数据更加敏感。
选择对续保或不续保影响权重最大的 TOP20 特征，特征系数情况如下，权重为正数表示该因素和续保正相关，权重为负数表示该因素和续保负相关。
![图片]
根据模型系数分析，以下因素显著正向影响续保的特征
聚焦高价值客户群体，优化资源配置
收入中、高等级，已婚、特定职业用户群体更倾向于续保，说明这部分用户具有较高忠诚度。
基于地理和职业偏好，进行市场细分和产品适配
特定地区和特定职业的用户表现出更强的续保倾向，可能和地区文化、经济水平、保险意识有关。
优化产品结构，提升用户满意度
购买特定产品的客户更倾向于续保，说明产品设计或内容与其需求高度匹配。
通过模型分析，识别了高续保倾向和高流失风险的客户特征，基于这些特征制定更具针对性的业务策略，业务发展可以围绕高价值客户维护、产品与市场精细适配、数据驱动客户管理等方向展开，从而提升客户满意度、增强用户粘性，最终提高整体业务的续保率与盈利能力。
使用决策树模型对寿险客户是否会续保进行预测，决策树能够自动发现特征间的复杂交互作用，生成的规则易于理解和验证，适合用于续保预测场景。
分类报告与混淆矩阵
![图片]
PR 曲线与 AUC 值
![图片]
PR 曲线展示召回率和准确率的关系，更加关注正类的识别质量，对类别不平衡数据更加敏感。
![图片]
![图片]
决策树的结构和决策路径通过可视化图形展示，从图中可以看到决策树的根节点，将客户分层 3 个区间，然后根据不同年龄区间的特定重要性进一步划分，建立了以下主要决策路径：
年轻用户（年龄≤29.5）54% 不续保
中年用户（29.5≤年龄≤60.5）99% 续保
老年用户（年龄＞60.5）68% 续保
针对不同年龄段实施差异化策略
重视已婚客户家庭成员的需求
决策树模型解释了客户续保率与年龄、婚姻状态、职业、产品等特征的关联性，提示保险公司应根据这些特征的差异性设计策略，优化客户体验和服务，同时重点加强对年轻未婚用户、单身退休用户等低续保率人群的关注。通过个性化沟通和定制化产品，提升客户续保率和满意度。
# 设置中文字体和图形样式
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 查看列名和数据类型
df_data = pd.read_excel("policy_data.xlsx")
print(df_data.info())
# 缺失值检查
df_data.isnull().sum()
# 续保关系分析
fig,ax = plt.subplots(2,3,figsize=(20,8))
plt.subplots_adjust(left=0.05,right=0.95,bottom=0.05,top=0.95,hspace=0.5,wspace=0.3)
# 年龄与续保
sns.histplot(data=df_data,x='age',hue='renewal',kde=True,element='step',multiple='layer',ax=ax[0,0])
ax[0,0].set_title("年龄与续保")
# 性别与续保
sns.countplot(data=df_data,x='renewal',hue='gender',width=0.4,ax=ax[0,1])
ax[0,1].set_title("性别与续保")
# 收入水平与续保
relate_income_renewal = df_data.groupby(['income_level','renewal']).size().reset_index(name='count')
sns.barplot(data=relate_income_renewal,x='income_level',y='count',hue='renewal',width=0.6,ax=ax[0,2])
ax[0,2].set_title("收入水平与续保")
# 职业与续保
relate_occupation_renewal = df_data.groupby(['occupation','renewal']).size().reset_index(name='count')
sns.barplot(data=relate_occupation_renewal,x='count',y='occupation',hue=,width=,ax=ax[,])
ax[,].set_title()
relate_edu_renewal = df_data.groupby([,]).size().reset_index(name=)
sns.barplot(data=relate_edu_renewal,x=,y=,hue=,width=,ax=ax[,])
ax[,].set_title()
relate_marital_renewal = df_data.groupby([,]).size().reset_index(name=)
sns.barplot(data=relate_marital_renewal,x=,y=,hue=,width=,ax=ax[,])
ax[,].set_title()
plt.savefig()
# 保单特征与续保关系分析
fig,ax = plt.subplots(2,2,figsize=(12,6))
plt.subplots_adjust(left=0.05,right=0.95,bottom=0.05,top=0.95,hspace=0.5,wspace=0.3)
# 产品与续保关系
relate_policy_renewal = df_data.groupby(['policy_type','renewal']).size().reset_index(name='count')
sns.barplot(data=relate_policy_renewal,x='count',y='policy_type',hue='renewal',width=0.6,ax=ax[0,0])
ax[0,0].set_title("产品与续保")
# 保单年限与续保关系
relate_term_renewal = df_data.groupby(['policy_term','renewal']).size().reset_index(name='count')
sns.barplot(data=relate_term_renewal,y='count',x='policy_term',hue='renewal',width=0.6,ax=ax[0,1])
ax[0,1].set_title("保单年限与续保")
# 保费金额与续保
sns.histplot(data=df_data,x='premium_amount',hue='renewal',element='step',multiple='layer',kde=True,ax=ax[1,0])
ax[1,0].set_title("保费金额与续保")
# 理赔历史与续保关系
relate_claim_renewal = df_data.groupby(['claim_history',]).size().reset_index(name=)
sns.barplot(data=relate_claim_renewal,x=,y=,hue=,width=,ax=ax[,])
ax[,].set_title()
plt.savefig()
gdf = gpd.read_file().to_crs()
gdf[] = gdf.area//
gdf = gdf[:-]
data_rr = pd.DataFrame(df_data.groupby([])[].apply( x:(x==).()/x.count()))
gdf = gdf.join(data_rr,on=)
fig,ax = plt.subplots(figsize=(,))
fontdict = {:, :, : ,: }
gdf.plot(ax=ax,column=,cmap=,legend=,legend_kwds={: , :})
index gdf.index:
x = gdf.iloc[index].geometry.centroid.x
y = gdf.iloc[index].geometry.centroid.y
t =
ax.text(x,y,t,ha=,va=,fontdict=fontdict)
ax.axis()
ax.set_title()
plt.savefig()
# 相关性分析
# 皮尔逊相关系数（Pearson correlation coefficient）是衡量两个变量之间线性相关程度的指标，其值介于 -1 与 1 之间。值接近 1 表示正相关，接近 -1 表示负相关，接近 0 表示无相关。
numeric_df = df_data.select_dtypes(include=['int64','float64'])
correlation = numeric_df.corr()
sns.heatmap(data=correlation,annot=True,cmap='coolwarm',linewidths=.5)
plt.savefig('correlation.png')
# 分析多个变量与续保率的关系
var_with_renewal = ['gender', 'marital_status', 'claim_history', 'income_level', 'education_level']
results = []
for var in var_with_renewal:
# 创建列联表
contingency_table = pd.crosstab(df_data[var], df_data['renewal'])
# 执行卡方检验
chi2, p_value, dof, expected = chi2_contingency(contingency_table)
results.append({
'Variable': var,
'Chi2': chi2,
'P_value': p_value,
'Significant': p_value < 0.05
})
# 创建结果 DataFrame
results_df = pd.DataFrame(results).sort_values('P_value')
display(results_df)
# 对目标变量进行编码
# LabelEncoder() 提供的标签编码工具，用于将分类变量映射为 0 ~ n 的整数值，常用于对目标变量 y 进行编码
le = LabelEncoder().fit(df_data.renewal)
df_data["renewal_encode"] = le.transform(df_data["renewal"])
# 查看类别和编码的映射
class_to_index = {target:index for index, target in enumerate(le.classes_)}
print(class_to_index)
# 特征处理
X = df_data.drop(["policy_id","policy_end_date","renewal","renewal_encode"], axis=1)
y = df_data["renewal_encode"].astype('int')
# 提取日期为年份
X.policy_start_date = X.policy_start_date.dt.year.astype(str)
# 定义数值型和分类型特征
numeric_features = X.select_dtypes(exclude=["object"]).columns.to_list()
categorical_features = X.select_dtypes(include=["object"]).columns.to_list()
print(f"数值变量：{numeric_features}")
print(f"分类变量：{categorical_features}")
# 创建预处理转换器
transformers = [('num', StandardScaler(), numeric_features), ('cat', OneHotEncoder(handle_unknown='ignore'), categorical_features)]
preprocessor = ColumnTransformer(transformers=transformers)
# 创建管道
pipeline = Pipeline([('preprocessor',preprocessor),('classifier',LogisticRegression(random_state=42))])
# 定义网格参数
param_grid = [{'classifier__C':[0.001,0.01,0.1,1.0,10,100], 'classifier__penalty':['l1','l2']}]
# 创建网格搜索对象
grid_search = GridSearchCV(estimator=pipeline, param_grid=param_grid, cv=5, verbose=1)
# 划分训练集和测试集
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=42,stratify=y)
# 执行网格搜索
grid_search.fit(X_train,y_train)
# 输出最佳参数和分数
print(f"最佳参数：{grid_search.best_params_}")
print(f"最佳交叉验证分数：{grid_search.best_score_}")
# 获取特征名称和权重参数
def get_feature_names_from_pipeline(grid_search):
# 提取特征名称
feature_names = grid_search.best_estimator_.named_steps['preprocessor'].get_feature_names_out()
# 提取权重参数
coefficients = grid_search.best_estimator_.named_steps['classifier'].coef_[0]
# 创建特征系数 dataframe
df = pd.DataFrame({'feature':feature_names,'coefficient':coefficients})
# 按绝对值排序
df = df.sort_values(by='coefficient',key=abs,ascending=False)
return df
# 生成逻辑回归权重系数，并保存图表
df_coef = get_feature_names_from_pipeline(grid_search)
df_coef.to_excel('coefficient.xlsx')
# 可视化逻辑回归系数
# 取前 20 个逻辑回归系数
df_coef_top = df_coef.head(20)
# 绘制条形图
plt.figure(figsize = (10,5))
ax = sns.barplot(data=df_coef_top,y='feature',x='coefficient',palette=['red' if x<0 else 'blue' for x in df_coef_top['coefficient']])
# 添加零线作为参考
plt.axvline(x=0,color='black',linestyle='-',alpha=0.3)
# 添加数值标签
for i,value in enumerate(df_coef_top['coefficient']):
ax.text(value,i,f'{value:f}',ha= value> ,va=,)
plt.title()
plt.xlabel()
plt.ylabel()
plt.tight_layout()
plt.savefig()
plt.show()
# 使用最佳模型进行预测
best_model = grid_search.best_estimator_
pred_logic = best_model.predict(X_test)
pred_proba_logic = best_model.predict_proba(X_test)[:,1]
# 详细分类报告
print(f"详细分类报告 - 逻辑回归模型：\n{classification_report(y_test,pred_logic)}")
# 绘制混淆矩阵
cm_logic = confusion_matrix(y_test,pred_logic,labels=[0,1])
def plot_confusion_matrix(cm):
TN,FP,FN,TP = cm.ravel()
recall = TP / (TP + FN) if (TP + FN) > 0 else 0
precision = TP / (TP + FP) if (TP + FP) > 0 else 0
#f1 = 2 * precision * recall / (precision + recall) if precision + recall > 0 else 0
plt.figure(figsize = (4.5,4))
sns.heatmap(cm,fmt='d',annot=True,cmap='Blues',xticklabels=["不续保","续保"],yticklabels=["不续保","续保"])
plt.title(f"recall:{recall:.3f}\nprecision:{precision:.3f}")
plt.xlabel('Predict label')
plt.ylabel('True label')
plt.tight_layout()
plt.savefig("confusion_matrix_logistic.png")
plt.show()
# 绘制逻辑回归预测的混淆矩阵
print("混淆矩阵 - 逻辑回归预测：")
plot_confusion_matrix(cm_logic)
# 输出 PR 曲线
# PR 曲线展示召回率和准确率的关系，更加关注正类的识别质量，对类别不平衡数据更加敏感
# 获取 PR 曲线数值
precision_lg,recall_lg,thresholds_lg = precision_recall_curve(y_test, pred_proba_logic)
pr_auc_lg = auc(recall_lg, precision_lg)
# 绘制 ROC 曲线
plt.figure(figsize = (5,5))
plt.plot(recall_lg,precision_lg,label=)
close_idx = np.argmin(np.(thresholds_lg-))
close_recall_lg = recall_lg[close_idx]
close_precision_lg = precision_lg[close_idx]
plt.plot(close_recall_lg,close_precision_lg,marker=,markersize=,fillstyle=, label=)
plt.xlabel()
plt.ylabel()
plt.title()
plt.legend()
plt.savefig()
plt.show()
# 创建预处理转换器
transformers = [('num', 'passthrough', numeric_features), ('cat', OrdinalEncoder(), categorical_features)]
preprocessor = ColumnTransformer(transformers=transformers)
# 创建管道
pipeline = Pipeline([('preprocessor',preprocessor),('classifier',DecisionTreeClassifier(random_state=42))])
# 定义网格参数
param_grid = [{'classifier__max_depth':[1,3,5,7]}]
# 创建网格搜索对象
grid_search = GridSearchCV(estimator=pipeline, param_grid=param_grid, cv=5, verbose=1)
# 划分训练集和测试集
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=42,stratify=y)
# 执行网格搜索
grid_search.fit(X_train,y_train)
# 输出最佳参数和分数
print(f"最佳参数：{grid_search.best_params_}")
print(f"最佳交叉验证分数：{grid_search.best_score_}")
def get_feature_names_from_pipeline(grid_search):
# 提取特征名称
feature_names = grid_search.best_estimator_.named_steps['preprocessor'].get_feature_names_out()
# 提取权重参数
importance = grid_search.best_estimator_.named_steps['classifier'].feature_importances_
# 创建特征系数 dataframe
df = pd.DataFrame({'feature':feature_names,'importance':importance})
# 按绝对值排序
df = df.sort_values(by='importance',ascending=False)
return df
# 生成决策树重要性
df_importance = get_feature_names_from_pipeline(grid_search)
# 可视化特征重要性
plt.figure(figsize = (8,5))
ax = sns.barplot(data=df_importance[:15],x="importance",y="feature")
for i,imp in enumerate(df_importance[:15]['importance']):
plt.text(imp,i,f'{imp:.2f}',ha='left',va='center')
plt.title('Feature Importance')
plt.tight_layout()
plt.savefig('feature_importance.png')
plt.show()
# 选择数值特征和重要性前 3 的分类特征
cat_feature_select = ['marital_status','education_level','occupation']
X_select = X[numeric_features+cat_feature_select]
# 使用选择后的数据生成训练集和测试集
X_select_train,X_select_text,y_select_train,y_select_test = train_test_split(X_select,y,test_size=0.2,random_state=42,stratify=y)
# 创建预处理转换器
transformers = [('num', 'passthrough', numeric_features), ('cat', OneHotEncoder(), cat_feature_select)]
preprocessor = ColumnTransformer(transformers=transformers)
# 创建管道
pipeline = Pipeline([('preprocessor',preprocessor),('classifier',DecisionTreeClassifier(random_state=42))])
# 定义网格参数
param_grid = [{'classifier__max_depth':[1,3,5,7]}]
# 创建网格搜索对象
grid_search_tree = GridSearchCV(estimator=pipeline, param_grid=param_grid, cv=5, verbose=1)
# 执行网格搜索
grid_search_tree.fit(X_select_train,y_select_train)
# 输出最佳参数和分数
print(f"最佳参数：{grid_search_tree.best_params_}")
print(f"最佳交叉验证分数：{grid_search_tree.best_score_}")
# 可视化决策树
best_model_tree = grid_search_tree.best_estimator_
feature_names_select = best_model_tree.named_steps['preprocessor'].get_feature_names_out().tolist()
export_graphviz(best_model_tree.named_steps['classifier'],out_file='tree.dot',class_names=['不续保','续保'], feature_names=feature_names_select, impurity=False,filled=True)
plt.figure(figsize = (10,5))
plot_tree(best_model_tree.named_steps['classifier'], feature_names=feature_names_select, class_names=['不续保','续保'], max_depth=3, filled=True, rounded=True, precision=2, fontsize=8, proportion=True)
plt.title('决策树模型')
plt.tight_layout()
plt.savefig('decision_tree.png')
plt.show()
# 使用最佳模型进行预测
best_model_tree = grid_search.best_estimator_
pred_dt = best_model_tree.predict(X_test)
pred_proba_dt = best_model_tree.predict_proba(X_test)[:,1]
# 详细分类报告
print(f"详细分类报告 - 决策树模型：\n{classification_report(y_test,pred_dt)}")
# 绘制混淆矩阵
cm_dt = confusion_matrix(y_test,pred_dt,labels=[0,1])
def plot_confusion_matrix(cm):
TN,FP,FN,TP = cm.ravel()
recall = TP / (TP + FN) if (TP + FN) > 0 else 0
precision = TP / (TP + FP) if (TP + FP) > 0 else 0
#f1 = 2 * precision * recall / (precision + recall) if precision + recall > 0 else 0
plt.figure(figsize = (4.5,4))
sns.heatmap(cm,fmt='d',annot=True,cmap='Blues',xticklabels=["不续保","续保"],yticklabels=["不续保","续保"])
plt.title(f"recall:{recall:.3f}\nprecision:{precision:.3f}")
plt.xlabel('Predict label')
plt.ylabel('True label')
plt.tight_layout()
plt.savefig("confusion_matrix_decision_tree.png")
plt.show()
# 绘制决策树预测的混淆矩阵
print("混淆矩阵 - 决策树预测：")
plot_confusion_matrix(cm_dt)
# 获取 PR 曲线数值
precision_dt,recall_dt,thresholds_dt = precision_recall_curve(y_test, pred_proba_dt)
pr_auc_lg = auc(recall_dt, precision_dt)
# 绘制 ROC 曲线
plt.figure(figsize = (5,5))
plt.plot(recall_dt,precision_dt,label=f'PR Curve (AUC={pr_auc_lg:f})')
close_idx = np.argmin(np.(thresholds_dt-))
close_recall_lg = recall_dt[close_idx]
close_precision_lg = precision_dt[close_idx]
plt.plot(close_recall_lg,close_precision_lg,marker=,markersize=,fillstyle=, label=)
plt.xlabel()
plt.ylabel()
plt.title()
plt.legend()
plt.savefig()
plt.show()
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online