对于银行用户是否会购买定期存款进行预测，用神经网络进行

可以试试随机森林。

【 在 chentingpc 的大作中提到: 】 : 可以试试随机森林。 但是样本的区别度比较小，并且有很多噪声数据，你就看着数据觉得这种人不可能有定期存款的，年收入平衡小于0 ，有房贷，个人贷款。。。。。。好蛋筒。

建议您多看点相关文献 这个领域明显是Baysian Network主流的 用RF怎么做Reasoning Analysis 【 在 chentingpc 的大作中提到: 】 : 可以试试随机森林。

求推荐文献。。 不过我觉得直接当做分类问题做用RF做至少作为baseline是木有什么问题的。 【 在 antinucleon 的大作中提到: 】 : 建议您多看点相关文献 : 这个领域明显是Baysian Network主流的 : 用RF怎么做Reasoning Analysis : ...................

比较同意三楼的观点，用贝叶斯网路或神经网络比较好，RF预测结果准确率会很低。

有相关的文献比较过这两种方法么？ PS，为什么RF会很低但前两者会很高呢，或者说贝叶斯网络与神经网络在这个问题上的优点是什么？没做过这个问题，求拍醒。。。 @antinucleon 【 在 spiritme 的大作中提到: 】 : 比较同意三楼的观点，用贝叶斯网路或神经网络比较好，RF预测结果准确率会很低。

【 在 spiritme 的大作中提到: 】 : 比较同意三楼的观点，用贝叶斯网路或神经网络比较好，RF预测结果准确率会很低。 我用的神经网络，但是对于购买用户的识别率只有50%，怎么提高呢，我觉得是参数量化的问题。

【 在 chentingpc 的大作中提到: 】 : 有相关的文献比较过这两种方法么？ : PS，为什么RF会很低但前两者会很高呢，或者说贝叶斯网络与神经网络在这个问题上的优点是什么？没做过这个问题，求拍醒。。。 : @antinucleon : ................... 我是打酱油的，版主不要太在意，您问的这个相关文献我真没看过，同求。 个人感觉随机森林在噪音较大的分类问题上会会过拟，还有就是在这种数据上产出的属性权值逻辑上好像是不可信的。至于LZ说的50%的精度问题，是拿样本数据测的么？还是新用户的估测？如果是样本，那么可能是拟合的还不够；如果是新用户，是不是可以考虑一下样本数据中误差过大，或是属性的分类还不够好。求大牛们给指个出路。

你要预测YES，但是样本数量NO>>YES，这样的话啥算法来了都是白搭。至于应对方法，比较简单的有课上教的重采样和代价矩阵。高端的方法应该也有，LZ可以去扒一扒IEEE。