Opis podataka koje imamo u našem setu.
Promenljive koje su vezane za klijente banke:
Promenljive vezane za poslednji kontakt koji je klijent ostvario sa bankom tokom trenutne marketinške kampanje.
Ciljna promenljiva
Ucitavanje biblioteka i dataset-a i ukratka deskripcija podataka.
library(tidyverse)
## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --
## v ggplot2 3.3.3 v purrr 0.3.4
## v tibble 3.1.2 v dplyr 1.0.6
## v tidyr 1.1.3 v stringr 1.4.0
## v readr 1.4.0 v forcats 0.5.1
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()
library(ggplot2)
library(cowplot)
library(ggmosaic)
library(crosstable)
##
## Attaching package: 'crosstable'
## The following object is masked from 'package:purrr':
##
## compact
library(gmodels)
data <- read.csv("./bank.csv", header=T)
summary(data)
## age job marital education
## Min. :18.00 Length:11162 Length:11162 Length:11162
## 1st Qu.:32.00 Class :character Class :character Class :character
## Median :39.00 Mode :character Mode :character Mode :character
## Mean :41.23
## 3rd Qu.:49.00
## Max. :95.00
## default balance housing loan
## Length:11162 Min. :-6847 Length:11162 Length:11162
## Class :character 1st Qu.: 122 Class :character Class :character
## Mode :character Median : 550 Mode :character Mode :character
## Mean : 1529
## 3rd Qu.: 1708
## Max. :81204
## contact day month duration
## Length:11162 Min. : 1.00 Length:11162 Min. : 2
## Class :character 1st Qu.: 8.00 Class :character 1st Qu.: 138
## Mode :character Median :15.00 Mode :character Median : 255
## Mean :15.66 Mean : 372
## 3rd Qu.:22.00 3rd Qu.: 496
## Max. :31.00 Max. :3881
## campaign pdays previous poutcome
## Min. : 1.000 Min. : -1.00 Min. : 0.0000 Length:11162
## 1st Qu.: 1.000 1st Qu.: -1.00 1st Qu.: 0.0000 Class :character
## Median : 2.000 Median : -1.00 Median : 0.0000 Mode :character
## Mean : 2.508 Mean : 51.33 Mean : 0.8326
## 3rd Qu.: 3.000 3rd Qu.: 20.75 3rd Qu.: 1.0000
## Max. :63.000 Max. :854.00 Max. :58.0000
## deposit
## Length:11162
## Class :character
## Mode :character
##
##
##
Ukupno imamo 11162 podataka.
Sada da vidimo da li imamo nedostajuce vrednosti u setu podataka:
sapply(data, function(x) sum(is.na(x)))
## age job marital education default balance housing loan
## 0 0 0 0 0 0 0 0
## contact day month duration campaign pdays previous poutcome
## 0 0 0 0 0 0 0 0
## deposit
## 0
Nemamo nedostajuće podatke u setu.
Da pogledamo našu ciljnu klasu. Da li je klijent otvorio ugovor sa bankom ili ne, odnosno koliko ljudi je otvorilo račun a koliko ne.
ggplot(data) + geom_bar(aes(x = deposit))
Klase su dobro izbalansirane što će nam značiti kasnije kada budemo radili predikciju.
Da pogledamo sada distribuciju uzrasta po depozitu. Odnosno distribuciju godina korisnika koji imaju depozit i oni koji nemaju.
data %>%
ggplot() +
aes(x = age) +
geom_bar() +
geom_vline(xintercept = c(30, 60),
col = "red",
linetype = "dashed") +
facet_grid(deposit ~ .,
scales = "free_y")
scale_x_continuous(breaks = seq(0, 100, 5))
## <ScaleContinuousPosition>
## Range:
## Limits: 0 -- 1
Na prethodnom grafiku možemo primetiti da postoji veća koncentracija ljudi koji su stariji (60+) koji imaju depozit odnosno koji su ostvarili saradnju sa bankom, dok je ostala raspodela godina poprilično jednaka i sa jednom i sa drugom grupom ljudi.
Da pogledamo frekvenciju poziva upućenih ka klijentu:
data %>%
ggplot() +
aes(x = campaign) +
geom_bar() +
facet_grid(deposit ~ .,
scales = "free_y") +
scale_x_continuous(breaks = seq(0, 50, 5))
Ovde možemo ukloniti outlier-e tako što ćemo gornju granicu staviti na 10. Što bi značilo da uklanjamo korisnike koji su bili kontaktirani više od 10 puta, što je svakako previše.
data <- data %>%
filter(campaign <= 10)
data %>%
ggplot() +
aes(x = campaign) +
geom_bar() +
facet_grid(deposit ~ .,
scales = "free_y") +
scale_x_continuous(breaks = seq(0, 10, 1))
Ovako dobijamo detaljniji i pregledniji grafik sa koga možemo zaključiti da postoji minimalna razlika između poziva upućenih ljudima koji su se priključili banci i onima koji nisu.
Pogledajmo kolonu previous, koja nam ukazuje koliko puta je neki klijent bio kontaktiran:
table(data$previous)
##
## 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
## 8116 887 693 435 244 164 116 77 60 34 30 23 16 11 6 5
## 16 17 18 19 20 21 22 23 26 27 28 29 30 37 40 41
## 2 11 1 4 2 1 1 2 1 2 1 1 1 1 1 1
## 55 58
## 1 1
Ovde možemo takođe videti da imamo outlier-e gde je broj kontakata zanemarljiv posle 6. puta. Tako da ćemo izvodiji te vrednosti pre i prikazati ih u cross-table tabeli.
data <- data %>%
filter(previous <= 6)
CrossTable(data$previous, data$deposit)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 10655
##
##
## | data$deposit
## data$previous | no | yes | Row Total |
## --------------|-----------|-----------|-----------|
## 0 | 4778 | 3338 | 8116 |
## | 59.637 | 66.316 | |
## | 0.589 | 0.411 | 0.762 |
## | 0.852 | 0.662 | |
## | 0.448 | 0.313 | |
## --------------|-----------|-----------|-----------|
## 1 | 304 | 583 | 887 |
## | 56.903 | 63.276 | |
## | 0.343 | 0.657 | 0.083 |
## | 0.054 | 0.116 | |
## | 0.029 | 0.055 | |
## --------------|-----------|-----------|-----------|
## 2 | 237 | 456 | 693 |
## | 44.815 | 49.834 | |
## | 0.342 | 0.658 | 0.065 |
## | 0.042 | 0.090 | |
## | 0.022 | 0.043 | |
## --------------|-----------|-----------|-----------|
## 3 | 141 | 294 | 435 |
## | 33.837 | 37.627 | |
## | 0.324 | 0.676 | 0.041 |
## | 0.025 | 0.058 | |
## | 0.013 | 0.028 | |
## --------------|-----------|-----------|-----------|
## 4 | 73 | 171 | 244 |
## | 23.950 | 26.632 | |
## | 0.299 | 0.701 | 0.023 |
## | 0.013 | 0.034 | |
## | 0.007 | 0.016 | |
## --------------|-----------|-----------|-----------|
## 5 | 44 | 120 | 164 |
## | 20.769 | 23.095 | |
## | 0.268 | 0.732 | 0.015 |
## | 0.008 | 0.024 | |
## | 0.004 | 0.011 | |
## --------------|-----------|-----------|-----------|
## 6 | 33 | 83 | 116 |
## | 12.906 | 14.351 | |
## | 0.284 | 0.716 | 0.011 |
## | 0.006 | 0.016 | |
## | 0.003 | 0.008 | |
## --------------|-----------|-----------|-----------|
## Column Total | 5610 | 5045 | 10655 |
## | 0.527 | 0.473 | |
## --------------|-----------|-----------|-----------|
##
##
data <- data %>%
filter(previous <= 6)
ggplot(data = data) +
geom_bar(mapping = aes(x = previous, fill = deposit), position = "dodge")
Sa ovog grafika vidimo da se isplati kontaktirati korisnika više puta kako bi pristao na saradnju. Ako predstavimo ovu promenljivu kao binarnu varijablu, gde imamo 0 vrednost i 1+, odnosno jednom ili više puta da su kontaktirali klijenta, videćemo jasno da veći procenat klijenata uspostavi saradnju nakon ponovnog kontaktiranja.
data = data %>%
mutate(previous = if_else(previous >= 1, "1+","0"))
ggplot(data = data) +
geom_bar(mapping = aes(x = previous, fill = deposit), position = "dodge")
Pogledajmo sada kolonu pdays, odnosno ako su kontaktirali u prethodnoj kampanji klijenta, koliko dana je prošlo između te komunikacije.
table(data$pdays)
##
## -1 1 2 4 5 6 8 9 10 12 13 14 15 17 20 21
## 8116 5 7 1 2 3 2 6 3 1 2 3 1 2 1 2
## 22 24 27 28 29 33 34 35 36 37 38 40 41 42 43 44
## 1 1 1 2 1 1 1 3 1 1 1 2 3 2 1 1
## 48 49 50 52 53 55 56 57 58 59 60 61 62 63 64 65
## 2 1 3 1 2 3 3 5 2 1 2 1 2 5 2 1
## 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81
## 2 1 1 1 5 3 1 1 3 4 2 2 3 3 10 6
## 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97
## 5 9 12 12 12 30 17 13 27 66 94 37 36 36 24 20
## 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113
## 31 20 13 10 13 9 17 21 8 6 1 6 3 4 1 5
## 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129
## 5 3 6 2 1 16 5 6 3 3 2 2 8 3 3 3
## 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145
## 4 3 2 8 4 5 2 1 4 3 5 4 1 3 4 1
## 146 147 148 149 150 151 152 153 154 155 156 157 159 160 161 162
## 2 5 11 7 5 1 7 1 2 2 4 2 1 5 3 4
## 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178
## 2 8 4 5 9 8 10 11 9 8 8 8 20 12 7 11
## 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194
## 18 18 75 78 68 46 26 19 28 20 19 15 8 12 5 7
## 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210
## 18 18 11 3 8 5 4 5 3 3 8 1 2 6 7 5
## 211 212 213 214 216 221 222 223 224 225 227 228 229 230 231 232
## 2 3 3 1 2 1 2 2 1 1 3 1 1 3 3 2
## 234 235 236 237 238 239 241 242 243 244 245 246 247 250 251 252
## 2 2 2 2 2 1 1 2 2 3 4 4 1 2 7 2
## 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268
## 3 4 2 4 3 5 7 6 7 4 5 6 2 7 10 1
## 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284
## 7 8 7 9 3 7 3 5 3 5 3 4 5 2 1 2
## 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300
## 3 5 6 2 1 3 2 2 5 8 6 2 4 2 1 7
## 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316
## 9 5 1 4 4 3 5 4 2 1 1 3 1 3 3 4
## 317 318 319 321 322 323 324 325 326 327 328 329 330 331 332 333
## 2 5 1 3 4 6 3 2 3 5 7 6 4 4 6 1
## 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349
## 8 6 4 10 2 3 5 4 17 10 10 10 8 11 4 6
## 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365
## 17 11 8 8 2 10 10 10 6 5 5 5 2 10 8 10
## 366 367 368 369 370 371 372 373 374 375 377 378 381 384 385 386
## 5 6 11 8 19 12 3 1 5 2 1 2 1 3 5 5
## 387 388 389 390 391 392 394 395 397 398 399 401 403 404 405 407
## 1 3 4 2 3 2 3 1 1 2 1 1 1 1 1 1
## 409 412 414 415 417 420 421 422 425 426 427 428 430 433 435 436
## 1 6 2 2 1 1 1 1 1 2 2 1 4 3 1 1
## 437 439 440 442 444 446 449 450 457 458 459 460 461 462 463 466
## 1 1 2 1 1 2 1 1 2 2 1 2 4 2 1 1
## 469 470 472 474 475 476 477 478 479 481 486 490 491 495 503 504
## 1 1 1 2 1 1 1 1 1 1 1 1 1 1 1 2
## 515 518 520 521 529 532 535 541 544 550 551 553 555 561 579 586
## 1 1 1 3 1 1 2 1 1 1 1 1 2 2 1 1
## 587 594 595 603 616 626 648 651 683 690 701 717 728 749 761 769
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 771 772 782 784 792 804 805 826 828 842 854
## 1 1 1 1 1 1 1 1 1 1 1
Iz ove tabele ne možemo mnogo toga da zaključimo. Sada ćemo filtrirati vrednosti kao kod prethodne varijable, imaćemo vrednost da klijenta nisu kontaktirali ili da klijenta jesu kontaktirali nakon x proteklih dana.
data = data %>%
mutate(pdays = if_else(pdays == "-1", "0","1"))
ggplot(data = data) +
geom_bar(mapping = aes(x = pdays, fill = deposit), position = "dodge")
Ovde vidimo da su šanse da se klijent pridruži banci drastično veće ukoliko ga kontaktiraju open nakon kampanje nego da ga ne kontaktiraju ponovo.
Pogledajmo kolonu duration koja predstavlja trajanje poslednjeg kontakta u sekundama. Ovde ćemo odraditi distribuciju podataka i nakon toga filtrirati vrednosti i pretvoriti ih u kategorijske vrednosti radi lakšeg tumačenja.
ggplot(data = data) +
geom_bar(mapping = aes(x = duration, fill = deposit), position = "dodge")
data = data %>%
mutate(duration = ifelse(duration == 0, "nije kontaktiran",
ifelse(duration <= 120, "do 2 min", ifelse(duration <=300, "do 5 min",
ifelse(duration <= 600, "do 10 min","preko 10 min")))))
ggplot(data = data) +
geom_bar(mapping = aes(x = duration, fill = deposit), position = "dodge")
CrossTable(data$duration, data$deposit)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 10655
##
##
## | data$deposit
## data$duration | no | yes | Row Total |
## --------------|-----------|-----------|-----------|
## do 10 min | 987 | 1551 | 2538 |
## | 91.301 | 101.526 | |
## | 0.389 | 0.611 | 0.238 |
## | 0.176 | 0.307 | |
## | 0.093 | 0.146 | |
## --------------|-----------|-----------|-----------|
## do 2 min | 1928 | 205 | 2133 |
## | 576.945 | 641.558 | |
## | 0.904 | 0.096 | 0.200 |
## | 0.344 | 0.041 | |
## | 0.181 | 0.019 | |
## --------------|-----------|-----------|-----------|
## do 5 min | 2388 | 1521 | 3909 |
## | 52.867 | 58.787 | |
## | 0.611 | 0.389 | 0.367 |
## | 0.426 | 0.301 | |
## | 0.224 | 0.143 | |
## --------------|-----------|-----------|-----------|
## preko 10 min | 307 | 1768 | 2075 |
## | 564.783 | 628.034 | |
## | 0.148 | 0.852 | 0.195 |
## | 0.055 | 0.350 | |
## | 0.029 | 0.166 | |
## --------------|-----------|-----------|-----------|
## Column Total | 5610 | 5045 | 10655 |
## | 0.527 | 0.473 | |
## --------------|-----------|-----------|-----------|
##
##
Nakon filtriranja podataka na par kategorija (nije kontaktiran, do 2 minuta, do 5 minuta, do 10 minuta i preko 10 minuta), možemo zaključiti sledeće:
Sa najvećim delom klijenata (36%) je razgovor bio do 5 minuta, čime se postigla uspešnost od 38%. Razgovori koji su trajali do 2 minuta su najgore prošli sa čitavih 90% negativnih ishoda. Razgovori koji su trajali od 5 do 10 minuta su se pokazali boljim, i od ukupno 23% ispitanika sa kojim je razgovarano upravo ovoliko dugo, 61% njih je uuspešno uspostavilo saradnju sa bankom. Sa 19% ispitanika, razgovori koji su trajali duže od 10 minuta imali su 85% uspešnog razgovora, što nam ukazuje da bi možda, u budućnosti, banke mogle da posvete više vremena u ubeđivanju klijenata na saradnju nego da im odmah spuste slušalicu.
Sada ćemo pogledati obrazovanje klijenata u kakvom je odnosu sa depozit promenljivom.
ggplot(data = data) +
geom_bar(mapping = aes(x = education, fill = deposit), position = "dodge")
Najveći procenat ljudi ima sekundarno i trećestepeno obrazovanje. Kod trećestepenog obrazovanja, procentualno više ljudi je ostvarilo saradnju sa bankom dok je kod ostalih broj ljudi koji nije ostvarilo saradnju veći od broja ljudi koji su ostvarili saradnju.
Jos jednu vrstu analize mozemo da uradimo a to je broj osoba sa bracnim statusom sa kolonom depozit.
ggplot(data = data) +
geom_bar(mapping = aes(x = marital, fill = deposit), position = "dodge")
Najveći udeo korisnika su oženjeni, dok je procentualno najviše neoženjenih (single) ljudi ostvarilo saradnju sa bankom.
Posao koji klijenti imaju u zavisnosti od toga da li su se opredelili za saradnju sa bankom ili ne je prikazan u sledećoj tabeli.
CrossTable(data$job, data$deposit)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 10655
##
##
## | data$deposit
## data$job | no | yes | Row Total |
## --------------|-----------|-----------|-----------|
## admin. | 666 | 594 | 1260 |
## | 0.010 | 0.011 | |
## | 0.529 | 0.471 | 0.118 |
## | 0.119 | 0.118 | |
## | 0.063 | 0.056 | |
## --------------|-----------|-----------|-----------|
## blue-collar | 1186 | 688 | 1874 |
## | 40.262 | 44.771 | |
## | 0.633 | 0.367 | 0.176 |
## | 0.211 | 0.136 | |
## | 0.111 | 0.065 | |
## --------------|-----------|-----------|-----------|
## entrepreneur | 198 | 118 | 316 |
## | 6.010 | 6.683 | |
## | 0.627 | 0.373 | 0.030 |
## | 0.035 | 0.023 | |
## | 0.019 | 0.011 | |
## --------------|-----------|-----------|-----------|
## housemaid | 162 | 107 | 269 |
## | 2.929 | 3.257 | |
## | 0.602 | 0.398 | 0.025 |
## | 0.029 | 0.021 | |
## | 0.015 | 0.010 | |
## --------------|-----------|-----------|-----------|
## management | 1205 | 1233 | 2438 |
## | 4.818 | 5.357 | |
## | 0.494 | 0.506 | 0.229 |
## | 0.215 | 0.244 | |
## | 0.113 | 0.116 | |
## --------------|-----------|-----------|-----------|
## retired | 252 | 491 | 743 |
## | 49.531 | 55.078 | |
## | 0.339 | 0.661 | 0.070 |
## | 0.045 | 0.097 | |
## | 0.024 | 0.046 | |
## --------------|-----------|-----------|-----------|
## self-employed | 207 | 180 | 387 |
## | 0.051 | 0.057 | |
## | 0.535 | 0.465 | 0.036 |
## | 0.037 | 0.036 | |
## | 0.019 | 0.017 | |
## --------------|-----------|-----------|-----------|
## services | 527 | 356 | 883 |
## | 8.292 | 9.221 | |
## | 0.597 | 0.403 | 0.083 |
## | 0.094 | 0.071 | |
## | 0.049 | 0.033 | |
## --------------|-----------|-----------|-----------|
## student | 86 | 257 | 343 |
## | 49.548 | 55.097 | |
## | 0.251 | 0.749 | 0.032 |
## | 0.015 | 0.051 | |
## | 0.008 | 0.024 | |
## --------------|-----------|-----------|-----------|
## technician | 935 | 795 | 1730 |
## | 0.639 | 0.711 | |
## | 0.540 | 0.460 | 0.162 |
## | 0.167 | 0.158 | |
## | 0.088 | 0.075 | |
## --------------|-----------|-----------|-----------|
## unemployed | 152 | 194 | 346 |
## | 4.998 | 5.557 | |
## | 0.439 | 0.561 | 0.032 |
## | 0.027 | 0.038 | |
## | 0.014 | 0.018 | |
## --------------|-----------|-----------|-----------|
## unknown | 34 | 32 | 66 |
## | 0.016 | 0.018 | |
## | 0.515 | 0.485 | 0.006 |
## | 0.006 | 0.006 | |
## | 0.003 | 0.003 | |
## --------------|-----------|-----------|-----------|
## Column Total | 5610 | 5045 | 10655 |
## | 0.527 | 0.473 | |
## --------------|-----------|-----------|-----------|
##
##
Ovde možemo zaključiti sledeće:
Najveći udeo (23%) ljudi koji su zaposleni se bave menadžmentom, dok je od toga poprilično izbalansiran broj ljudi koji su se priključili banci i oni koji se nisu priključili. Najveći procenat ljudi po poslu koji su se priključili banci su studenti, ukupno ih ima 16% a od toga 75% su se priključili banci. Drugi po redu po broju zaposlenih su radnici (blue collar), čiji udeo iznosi 17% dok se najveći deo njih (63%) nije pridružilo banci, što ujedno predstavlja i najveći procenat ljudi koji se nisu priključili banci (11%), zajedno sa mendažmentom.
Ovaj tabelarni prikaz možemo prikazati kroz sledeći grafik koji sadrži manje detalja ali je dosta pregledniji.
ggplot(data = data) +
geom_mosaic(aes(x = product(deposit,job), fill=deposit)) +
labs(title='Job')+ theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))
Sada ćemo odraditi analizu zaposlenih ljudi i nezaposlenih da vidimo ima li kakvog uticaja zaposlenost, pored konkretnog posla.
data = data %>%
mutate(job = if_else(job == "unemployed", "Nezaposleni",if_else(job == "unknown", "Neizjasnjeni", "Zaposleni")))
CrossTable(data$job, data$deposit)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 10655
##
##
## | data$deposit
## data$job | no | yes | Row Total |
## -------------|-----------|-----------|-----------|
## Neizjasnjeni | 34 | 32 | 66 |
## | 0.016 | 0.018 | |
## | 0.515 | 0.485 | 0.006 |
## | 0.006 | 0.006 | |
## | 0.003 | 0.003 | |
## -------------|-----------|-----------|-----------|
## Nezaposleni | 152 | 194 | 346 |
## | 4.998 | 5.557 | |
## | 0.439 | 0.561 | 0.032 |
## | 0.027 | 0.038 | |
## | 0.014 | 0.018 | |
## -------------|-----------|-----------|-----------|
## Zaposleni | 5424 | 4819 | 10243 |
## | 0.177 | 0.197 | |
## | 0.530 | 0.470 | 0.961 |
## | 0.967 | 0.955 | |
## | 0.509 | 0.452 | |
## -------------|-----------|-----------|-----------|
## Column Total | 5610 | 5045 | 10655 |
## | 0.527 | 0.473 | |
## -------------|-----------|-----------|-----------|
##
##
Iz ove tabele možemo zaključiti da iako većina ispitanike (96%) jeste zaposleno, svega 57% njih je sklopilo ugovor sa bankom, dok je od 3% nezaposlenih klijenata 56% njih sklopilo saradnju sa bankom.
Ovde ćemo odraditi presek kolone housing, koja pokazuje da li klijent poseduje neki zajam za nekretninu ili ne, i kolone depozit.
CrossTable(data$housing, data$deposit)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 10655
##
##
## | data$deposit
## data$housing | no | yes | Row Total |
## -------------|-----------|-----------|-----------|
## no | 2410 | 3209 | 5619 |
## | 101.684 | 113.071 | |
## | 0.429 | 0.571 | 0.527 |
## | 0.430 | 0.636 | |
## | 0.226 | 0.301 | |
## -------------|-----------|-----------|-----------|
## yes | 3200 | 1836 | 5036 |
## | 113.455 | 126.161 | |
## | 0.635 | 0.365 | 0.473 |
## | 0.570 | 0.364 | |
## | 0.300 | 0.172 | |
## -------------|-----------|-----------|-----------|
## Column Total | 5610 | 5045 | 10655 |
## | 0.527 | 0.473 | |
## -------------|-----------|-----------|-----------|
##
##
Klijenti koji nemaju housing loan se nalaze u većini onih koji su sa bankom ostvarili saradnju (57%). Takođe, većina klijenata (63%) koja ima saradnju sa bankom nemaju housing loan. Ovo možemo pogledati i preko grafika u nastavku:
ggplot(data = data) +
geom_mosaic(aes(x = product(deposit,housing), fill=deposit)) +
labs(title='Housing')+ theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))
Kolona default predstavlja da li klijent već ima podrazumevani kredit u banci ili ne. Pogledajmo koliko klijenata ima već kredit u banci i u kakvom je to odnosu sa depozitom.
ggplot(data = data) +
geom_bar(mapping = aes(x = default, fill = deposit), position = "dodge")
Podaci su u ovoj koloni poprilično neizbalansirani (98,5% - no, 1,5% - yes), ali vrednost “no” u koloni nam govori da ima zanemarljivo manji broj ljudi koji su se priključili banci tako da ova kolona nam ne može mnogo pomoći (53% naspram 47%). Što možemo potvrditi sledećom funkcijom:
CrossTable(data$default, data$deposit)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 10655
##
##
## | data$deposit
## data$default | no | yes | Row Total |
## -------------|-----------|-----------|-----------|
## no | 5504 | 4993 | 10497 |
## | 0.094 | 0.105 | |
## | 0.524 | 0.476 | 0.985 |
## | 0.981 | 0.990 | |
## | 0.517 | 0.469 | |
## -------------|-----------|-----------|-----------|
## yes | 106 | 52 | 158 |
## | 6.255 | 6.955 | |
## | 0.671 | 0.329 | 0.015 |
## | 0.019 | 0.010 | |
## | 0.010 | 0.005 | |
## -------------|-----------|-----------|-----------|
## Column Total | 5610 | 5045 | 10655 |
## | 0.527 | 0.473 | |
## -------------|-----------|-----------|-----------|
##
##
Prikaz kolone day of the week (dan u mesecu kada su kontaktirani ljudi) i depozit kolone je predstavljeno u nastavku.
ggplot(data = data) +
geom_bar(mapping = aes(x = day, fill = deposit), position = "dodge")
Iz ove tabele ne možemo nešto značajno zaključiti sem toga da je u drugoj polovini meseca više kontaktirano osoba nego u prvoj. To možemo prikazati na sledeći način:
data = data %>%
mutate(day = if_else(day <= "15", "Prva polovina","Druga polovina"))
ggplot(data = data) +
geom_bar(mapping = aes(x = day, fill = deposit), position = "dodge")
Kolona poutcome predstavlja ishod prethodne kampanje koja je bila sprovedena. Funkcijom crosstable možemo istražiti malo više o ovoj koloni.
CrossTable(data$poutcome, data$deposit)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 10655
##
##
## | data$deposit
## data$poutcome | no | yes | Row Total |
## --------------|-----------|-----------|-----------|
## failure | 559 | 561 | 1120 |
## | 1.598 | 1.777 | |
## | 0.499 | 0.501 | 0.105 |
## | 0.100 | 0.111 | |
## | 0.052 | 0.053 | |
## --------------|-----------|-----------|-----------|
## other | 190 | 260 | 450 |
## | 9.296 | 10.337 | |
## | 0.422 | 0.578 | 0.042 |
## | 0.034 | 0.052 | |
## | 0.018 | 0.024 | |
## --------------|-----------|-----------|-----------|
## success | 83 | 884 | 967 |
## | 356.669 | 396.613 | |
## | 0.086 | 0.914 | 0.091 |
## | 0.015 | 0.175 | |
## | 0.008 | 0.083 | |
## --------------|-----------|-----------|-----------|
## unknown | 4778 | 3340 | 8118 |
## | 59.374 | 66.023 | |
## | 0.589 | 0.411 | 0.762 |
## | 0.852 | 0.662 | |
## | 0.448 | 0.313 | |
## --------------|-----------|-----------|-----------|
## Column Total | 5610 | 5045 | 10655 |
## | 0.527 | 0.473 | |
## --------------|-----------|-----------|-----------|
##
##
Iz ove tabele možemo zaključiti nekoliko stvari: Za najveći deo ispitanika (76%) nemamo podatke,odnosno spadaju u kategoriju unknown, i od tih 76% skoro 60% nisu sklopili ugovor sa bankom. Za uspešnu prethodnu kampanju (success) ima ukupno 9% od kojih 91% su ostvarili saradnju sa bankom. Sledeća kolona je failure, odnosno neuspešna prethodna kampanja koja ima udeo od 10% u ukupnom istraživanju od kojih je podjednak broj ljudi uspostavilo saradnju sa bankom i oni koji nisu. Neizjašnjenih ima 4% (other). Na sledećem grafiku možemo vizuelno prikazati prethodnja razmatranja.
ggplot(data = data) +
geom_bar(mapping = aes(x = poutcome, fill = deposit), position = "dodge")
Month kolona predstavlja mesec u godini kada su klijenti bili kontaktirani. Sledećom funkcojom možemo ustanoviti da li postoji neka zavisnost kolone depozit i kolone month:
CrossTable(data$month, data$deposit)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 10655
##
##
## | data$deposit
## data$month | no | yes | Row Total |
## -------------|-----------|-----------|-----------|
## apr | 336 | 562 | 898 |
## | 39.586 | 44.020 | |
## | 0.374 | 0.626 | 0.084 |
## | 0.060 | 0.111 | |
## | 0.032 | 0.053 | |
## -------------|-----------|-----------|-----------|
## aug | 769 | 645 | 1414 |
## | 0.807 | 0.897 | |
## | 0.544 | 0.456 | 0.133 |
## | 0.137 | 0.128 | |
## | 0.072 | 0.061 | |
## -------------|-----------|-----------|-----------|
## dec | 7 | 95 | 102 |
## | 40.617 | 45.166 | |
## | 0.069 | 0.931 | 0.010 |
## | 0.001 | 0.019 | |
## | 0.001 | 0.009 | |
## -------------|-----------|-----------|-----------|
## feb | 319 | 422 | 741 |
## | 12.974 | 14.427 | |
## | 0.430 | 0.570 | 0.070 |
## | 0.057 | 0.084 | |
## | 0.030 | 0.040 | |
## -------------|-----------|-----------|-----------|
## jan | 188 | 138 | 326 |
## | 1.559 | 1.733 | |
## | 0.577 | 0.423 | 0.031 |
## | 0.034 | 0.027 | |
## | 0.018 | 0.013 | |
## -------------|-----------|-----------|-----------|
## jul | 844 | 593 | 1437 |
## | 10.096 | 11.227 | |
## | 0.587 | 0.413 | 0.135 |
## | 0.150 | 0.118 | |
## | 0.079 | 0.056 | |
## -------------|-----------|-----------|-----------|
## jun | 641 | 516 | 1157 |
## | 1.663 | 1.849 | |
## | 0.554 | 0.446 | 0.109 |
## | 0.114 | 0.102 | |
## | 0.060 | 0.048 | |
## -------------|-----------|-----------|-----------|
## mar | 25 | 239 | 264 |
## | 93.496 | 103.967 | |
## | 0.095 | 0.905 | 0.025 |
## | 0.004 | 0.047 | |
## | 0.002 | 0.022 | |
## -------------|-----------|-----------|-----------|
## may | 1836 | 891 | 2727 |
## | 111.546 | 124.039 | |
## | 0.673 | 0.327 | 0.256 |
## | 0.327 | 0.177 | |
## | 0.172 | 0.084 | |
## -------------|-----------|-----------|-----------|
## nov | 532 | 383 | 915 |
## | 5.239 | 5.826 | |
## | 0.581 | 0.419 | 0.086 |
## | 0.095 | 0.076 | |
## | 0.050 | 0.036 | |
## -------------|-----------|-----------|-----------|
## oct | 65 | 311 | 376 |
## | 89.311 | 99.313 | |
## | 0.173 | 0.827 | 0.035 |
## | 0.012 | 0.062 | |
## | 0.006 | 0.029 | |
## -------------|-----------|-----------|-----------|
## sep | 48 | 250 | 298 |
## | 75.585 | 84.050 | |
## | 0.161 | 0.839 | 0.028 |
## | 0.009 | 0.050 | |
## | 0.005 | 0.023 | |
## -------------|-----------|-----------|-----------|
## Column Total | 5610 | 5045 | 10655 |
## | 0.527 | 0.473 | |
## -------------|-----------|-----------|-----------|
##
##
Četvrtina klijenata je kontaktirana u maju mesecu (25%), od kojih je najveći broj (67%) odbio saradnju sa bankom, ali je ujedno i najveći broj uspešno ostvarene saradnje bilo u tom mesecu (17% od ukupne saradnje). Jun, jul i avgust su meseci gde je veći broj ispitanika odbilo saradnju sa bankom (54%-58%), upoređujući ih sa drugim mesecima gde je uglavom veći procenat ljudi ostvario saradnju od onih koji nisu.
Na sledećem grafiku možemo prikazati prethodno opisane opservacije.
ggplot(data = data) +
geom_bar(mapping = aes(x = month, fill = deposit), position = "dodge")
Takođe, možemo mesece podeliti na proleće, leto, jesen i zimu i time steći bolji uvid u to kada su najviše bili kontaktirani klijenti i koji uspeh je banka ostvarila po godišnjem dobu.
data = data %>%
mutate(month = ifelse((month == "mar") | (month == "apr") | (month == "may"), "Prolece",
ifelse((month == "jun") | (month == "jul") | (month == "avg"), "Leto", ifelse((month == "sep") | (month == "oct") | (month == "nov"), "Jesen", "Zima"))))
ggplot(data = data) +
geom_bar(mapping = aes(x = reorder(month, month,
function(x)-length(x)), fill = deposit), position = "dodge") + xlab("Doba godine")
Ovaj grafik nam ukazuje da je najviše ljudi bilo kontaktirano u proleće, zatim tokom leta, pa zimi i na kraju na jesen je najmanji broj ljudi kontaktiran.
CrossTable(data$month, data$deposit)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 10655
##
##
## | data$deposit
## data$month | no | yes | Row Total |
## -------------|-----------|-----------|-----------|
## Jesen | 645 | 944 | 1589 |
## | 43.893 | 48.808 | |
## | 0.406 | 0.594 | 0.149 |
## | 0.115 | 0.187 | |
## | 0.061 | 0.089 | |
## -------------|-----------|-----------|-----------|
## Leto | 1485 | 1109 | 2594 |
## | 10.408 | 11.573 | |
## | 0.572 | 0.428 | 0.243 |
## | 0.265 | 0.220 | |
## | 0.139 | 0.104 | |
## -------------|-----------|-----------|-----------|
## Prolece | 2197 | 1692 | 3889 |
## | 10.899 | 12.120 | |
## | 0.565 | 0.435 | 0.365 |
## | 0.392 | 0.335 | |
## | 0.206 | 0.159 | |
## -------------|-----------|-----------|-----------|
## Zima | 1283 | 1300 | 2583 |
## | 4.358 | 4.846 | |
## | 0.497 | 0.503 | 0.242 |
## | 0.229 | 0.258 | |
## | 0.120 | 0.122 | |
## -------------|-----------|-----------|-----------|
## Column Total | 5610 | 5045 | 10655 |
## | 0.527 | 0.473 | |
## -------------|-----------|-----------|-----------|
##
##
Što se tiče uspešnosti, u jesen je najviše posto klijenata pristalo na saradnju (~60%). Leto i proleće ima uspešnost od 42-43% dok je zimi polovina klijenata otvorilo račune u banci i polovina je odbila saradnju.
Kolona contact predstavlja način na koji su klijenti bili kontaktirani (putem telefona ili mobilnog). Na sledeći način možemo ispitati zavisnost ove kolone od kolone depzit.
CrossTable(data$contact, data$deposit)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 10655
##
##
## | data$deposit
## data$contact | no | yes | Row Total |
## -------------|-----------|-----------|-----------|
## cellular | 3500 | 4156 | 7656 |
## | 69.945 | 77.778 | |
## | 0.457 | 0.543 | 0.719 |
## | 0.624 | 0.824 | |
## | 0.328 | 0.390 | |
## -------------|-----------|-----------|-----------|
## telephone | 353 | 370 | 723 |
## | 2.011 | 2.236 | |
## | 0.488 | 0.512 | 0.068 |
## | 0.063 | 0.073 | |
## | 0.033 | 0.035 | |
## -------------|-----------|-----------|-----------|
## unknown | 1757 | 519 | 2276 |
## | 260.439 | 289.606 | |
## | 0.772 | 0.228 | 0.214 |
## | 0.313 | 0.103 | |
## | 0.165 | 0.049 | |
## -------------|-----------|-----------|-----------|
## Column Total | 5610 | 5045 | 10655 |
## | 0.527 | 0.473 | |
## -------------|-----------|-----------|-----------|
##
##
Najveći deo kontakta sa klijentima je ostvaren preko telefonskog poziva (cellular) (71%) i od toga je 54% ostvarilo saradnju sa bankom. Telefonom je kontaktirano svega 7% i skoro podjednak broj ljudi je ostvarilo saradnju sa bankom, odnosno nije ostvarilo saradnju.
Grafički prikaz se nalazi u nastavku.
ggplot(data = data) +
geom_mosaic(aes(x = product(deposit,contact), fill=deposit)) +
labs(title='Contact')+ theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))
Loan kolona predstavlja da li klijent poseduje neku pozajmicu od banke ili ne. Funkcijom u nastavku možemo uočiti zavisnost sa kolonom depozit, ukoliko postoji.
CrossTable(data$loan, data$deposit)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 10655
##
##
## | data$deposit
## data$loan | no | yes | Row Total |
## -------------|-----------|-----------|-----------|
## no | 4687 | 4575 | 9262 |
## | 7.369 | 8.194 | |
## | 0.506 | 0.494 | 0.869 |
## | 0.835 | 0.907 | |
## | 0.440 | 0.429 | |
## -------------|-----------|-----------|-----------|
## yes | 923 | 470 | 1393 |
## | 48.996 | 54.484 | |
## | 0.663 | 0.337 | 0.131 |
## | 0.165 | 0.093 | |
## | 0.087 | 0.044 | |
## -------------|-----------|-----------|-----------|
## Column Total | 5610 | 5045 | 10655 |
## | 0.527 | 0.473 | |
## -------------|-----------|-----------|-----------|
##
##
80% ispitanika nema prethodni zajam iz banke i polovina ovih ispitanika je uspostavilo saradnju i polovina nije. Najveći broj (66%) ispitanika koji su već imali zajam od banke nisu nastavili dalju saradnju, što je interesantno.
ggplot(data = data) +
geom_bar(mapping = aes(x = loan, fill = deposit), position = "dodge")
data <- read.csv("./bank.csv", header=T)
ggplot(data = data, mapping = aes(x = job, y = age)) +
geom_boxplot()
Za očekivati je da imamo outlier-e za studente koji su preko 35 godina stari, kao i za retired kategoriju ispod 40 godina starosti.
ggplot(data = data, mapping = aes(x = marital, y = age)) +
geom_boxplot()
Takođe, ovde možemo videti da je većina ljudi koji su single u rasponu između 20 i 50 godina.
ggplot(data = data, mapping = aes(x = education, y = age)) +
geom_boxplot()
ggplot(data = data, mapping = aes(x = loan, y = age)) +
geom_boxplot()
ggplot(data = data, mapping = aes(x = poutcome, y = age)) +
geom_boxplot()
Srednja vrednost godina za sve navedene kategorije je skoro identična.
data = data %>%
mutate(duration = ifelse(duration == 0, "nije kontaktiran",
ifelse(duration <= 120, "do 2 min", ifelse(duration <=300, "do 5 min",
ifelse(duration <= 600, "do 10 min","preko 10 min")))))
ggplot(data = data, mapping = aes(x = duration, y = age)) +
geom_boxplot()
data %>%
count(job, education) %>%
ggplot(mapping = aes(x = job, y = education)) +
geom_tile(mapping = aes(fill = n))
Najviše ljudi sa trećestepenim obrazovanjem su zaposleni kao menadžeri.
ggplot(data = data) +
geom_bar(mapping = aes(x = deposit, fill = education), position = "dodge")
Jedini pozitivan odnos među kolonama depozit i obrazovanje imamo kod trećestepenog obrazovanja. Odnosno samo kod trećestepenog obrazovanja imamo veći broj klijenata koji su otvorili nalog u banci od onih koji su odbili saradnju.
ggplot(data = data) +
geom_bar(mapping = aes(x = contact, fill = month), position = "dodge")
ggplot(data = data) +
geom_bar(mapping = aes(x = poutcome, fill = month), position = "dodge")
data = data %>%
mutate(month = ifelse((month == "mar") | (month == "apr") | (month == "may"), "Prolece",
ifelse((month == "jun") | (month == "jul") | (month == "avg"), "Leto", ifelse((month == "sep") | (month == "oct") | (month == "nov"), "Jesen", "Zima"))))
ggplot(data = data) +
geom_bar(mapping = aes(x = month, fill = job), position = "dodge")
Ovde možemo zaključiti da je najviše radnika (blue collar) kontaktirano tokom proleća, dok je najviše penzionisanih kontaktirano tokom zime. Studenti su kontaktirani čitave godine gotovo podjednako. Tokom zime i proleća je većina menadžera kontaktirana.
ggplot(data = data) +
geom_bar(mapping = aes(x = month, fill = marital), position = "dodge")
ggplot(data = data) +
geom_bar(mapping = aes(x = marital, fill = job), position = "dodge")
CrossTable(data$job, data$marital)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 11162
##
##
## | data$marital
## data$job | divorced | married | single | Row Total |
## --------------|-----------|-----------|-----------|-----------|
## admin. | 182 | 677 | 475 | 1334 |
## | 4.883 | 8.864 | 7.079 | |
## | 0.136 | 0.507 | 0.356 | 0.120 |
## | 0.141 | 0.107 | 0.135 | |
## | 0.016 | 0.061 | 0.043 | |
## --------------|-----------|-----------|-----------|-----------|
## blue-collar | 149 | 1335 | 460 | 1944 |
## | 25.779 | 47.367 | 38.058 | |
## | 0.077 | 0.687 | 0.237 | 0.174 |
## | 0.115 | 0.210 | 0.131 | |
## | 0.013 | 0.120 | 0.041 | |
## --------------|-----------|-----------|-----------|-----------|
## entrepreneur | 42 | 234 | 52 | 328 |
## | 0.422 | 12.025 | 25.534 | |
## | 0.128 | 0.713 | 0.159 | 0.029 |
## | 0.032 | 0.037 | 0.015 | |
## | 0.004 | 0.021 | 0.005 | |
## --------------|-----------|-----------|-----------|-----------|
## housemaid | 46 | 190 | 38 | 274 |
## | 6.407 | 7.458 | 27.079 | |
## | 0.168 | 0.693 | 0.139 | 0.025 |
## | 0.036 | 0.030 | 0.011 | |
## | 0.004 | 0.017 | 0.003 | |
## --------------|-----------|-----------|-----------|-----------|
## management | 288 | 1428 | 850 | 2566 |
## | 0.287 | 0.702 | 2.105 | |
## | 0.112 | 0.557 | 0.331 | 0.230 |
## | 0.223 | 0.225 | 0.242 | |
## | 0.026 | 0.128 | 0.076 | |
## --------------|-----------|-----------|-----------|-----------|
## retired | 171 | 581 | 26 | 778 |
## | 72.579 | 43.227 | 195.964 | |
## | 0.220 | 0.747 | 0.033 | 0.070 |
## | 0.132 | 0.091 | 0.007 | |
## | 0.015 | 0.052 | 0.002 | |
## --------------|-----------|-----------|-----------|-----------|
## self-employed | 39 | 222 | 144 | 405 |
## | 1.335 | 0.309 | 2.095 | |
## | 0.096 | 0.548 | 0.356 | 0.036 |
## | 0.030 | 0.035 | 0.041 | |
## | 0.003 | 0.020 | 0.013 | |
## --------------|-----------|-----------|-----------|-----------|
## services | 121 | 504 | 298 | 923 |
## | 1.854 | 0.854 | 0.173 | |
## | 0.131 | 0.546 | 0.323 | 0.083 |
## | 0.094 | 0.079 | 0.085 | |
## | 0.011 | 0.045 | 0.027 | |
## --------------|-----------|-----------|-----------|-----------|
## student | 2 | 15 | 343 | 360 |
## | 37.798 | 175.933 | 464.352 | |
## | 0.006 | 0.042 | 0.953 | 0.032 |
## | 0.002 | 0.002 | 0.097 | |
## | 0.000 | 0.001 | 0.031 | |
## --------------|-----------|-----------|-----------|-----------|
## technician | 204 | 930 | 689 | 1823 |
## | 0.244 | 11.091 | 22.791 | |
## | 0.112 | 0.510 | 0.378 | 0.163 |
## | 0.158 | 0.146 | 0.196 | |
## | 0.018 | 0.083 | 0.062 | |
## --------------|-----------|-----------|-----------|-----------|
## unemployed | 47 | 186 | 124 | 357 |
## | 0.771 | 1.444 | 1.172 | |
## | 0.132 | 0.521 | 0.347 | 0.032 |
## | 0.036 | 0.029 | 0.035 | |
## | 0.004 | 0.017 | 0.011 | |
## --------------|-----------|-----------|-----------|-----------|
## unknown | 2 | 49 | 19 | 70 |
## | 4.602 | 2.112 | 0.425 | |
## | 0.029 | 0.700 | 0.271 | 0.006 |
## | 0.002 | 0.008 | 0.005 | |
## | 0.000 | 0.004 | 0.002 | |
## --------------|-----------|-----------|-----------|-----------|
## Column Total | 1293 | 6351 | 3518 | 11162 |
## | 0.116 | 0.569 | 0.315 | |
## --------------|-----------|-----------|-----------|-----------|
##
##
Najveći udeo oženjenih, zaposlenih klijenata pripada menadžerima, kao i najveći udeo razvedenih, zaposlenih klijenata takođe pripada menadžerima. Najveći udeo zaposlenih klijenata (ne računajući studente), koji nisu ni u kakvoj vezi su tehničari sa 37% ukupnih ispitanika koji rade kao tehničari.
Chi-Squared (\(X^{2}\)) test ispravnosti upoređuje korelaciju između dve različite kategorijske vrednosti.
chisq.test(data$default, data$deposit)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: data$default and data$deposit
## X-squared = 17.809, df = 1, p-value = 2.443e-05
Dobijamo chi-s vrednost od 17.809. Pošto imamo vrednost p da je manja od 0.05, možemo odbaciti nultu hipotezu i zaključujemo da su ove dve vrednosti u zavisnosti jedna od druge.
Na ovaj način možemo istestirati svaku kolonu posebno i doći do istog zaključka. U nastavku sledi još par testova.
chisq.test(data$default, data$housing)
##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: data$default and data$housing
## X-squared = 1.1931, df = 1, p-value = 0.2747
Ovde dobijamo chi-s vrednost od 1.19 i vrednost značaja p=0.27 koja je veća od 0.05 i time prihvatamo nultu hipotezu i zaključujemo da su kolone default i housing međusobno nezavisne.
chisq.test(data$default, data$marital)
##
## Pearson's Chi-squared test
##
## data: data$default and data$marital
## X-squared = 4.3267, df = 2, p-value = 0.1149
Dobijamo još jednu kolonu koja nije u međusobnoj nezavisnosti od kolone default a to je bračni status. Pošto smo dobili vrednost p > 0.05 zaključujemo da važi nulta hipoteza.
Kruskal-Wallace test je sličaj ANOVA testu, samo jednostavniji. Kroz ovaj test možemo provući kategorijsku i numeričku promenljivu i dobiti Kruskal-Wallis chi-squared vrednost kao i vrednost značajnosti p.
U sledećem primeru ćemo implementirati pomenuti test nad kolonama age i depozit, kako bismo došli do zaključka da li su ove dve kolone u međusobnoj zavisnosti.
kruskal.test(x = data$age, g = as.factor(data$deposit ))
##
## Kruskal-Wallis rank sum test
##
## data: data$age and as.factor(data$deposit)
## Kruskal-Wallis chi-squared = 1.6493, df = 1, p-value = 0.199
Nakon implementiranja testa, dobijamo da je p vrednost veća od 0.05 odnosno to nam ukazuje da postoji skoro 20% šanse da nulta hipoteza tačna. Zbog toga, prihvatamo nultu hipotezu jer nemamo dovoljno dokaza da godište utiče na saradnju sa bankom, i time ove dve promenljive mogu da se smatraju međusobno nezavisnim.
Ovim testom takođe možemo potvrditi za neke kolone da su u međusobnoj zavisnosti. Na primer, godište i posao bi trebalo da budu u zavisnosti.
kruskal.test(x = data$age, g = as.factor(data$job))
##
## Kruskal-Wallis rank sum test
##
## data: data$age and as.factor(data$job)
## Kruskal-Wallis chi-squared = 2740, df = 11, p-value < 2.2e-16
Vrednost p, koja je manja od 0.05, nam ukazuje da je ova vrednost statistički značajna i time potvrđujemo dokaze za postojanje nulte hipoteze, odnosno da su godište i posao međusobno zavisne dve promenljive.