企业官网建设流程全解析

简介：房车险客户购买预测是机器学习中典型的二分类问题，这份资源提供了一套基于Python与伯努利朴素贝叶斯的完整实战项目，适合数据分析初学者和从事保险客户分析的人员使用。项目从客户数据读取开始，逐步完成缺失值处理、特征编码、模型训练与交叉验证，并结合准确率、F1等指标评估效果；训练脚本可直接运行，预测模块支持对新客户进行判断。压缩包共14个文件，整体仅1.51MB，内含5个Python源码、5个数据集与字段说明文本、1个Jupyter可视化分析笔记、1个训练好的模型文件和1张特征相关图，结构简洁、便于快速定位。目前已有834人学习，资源通过伯努利NB模型演示了特征独立性假设在实际业务中的应用，可视化图表能帮助理解数据分布，训练好的pkl模型可即时调用，是一份适合从理论走向实践的二分类建模参考。

1. 用伯努利朴素贝叶斯预测房车险购买：一个值得先跑通的最小闭环

保险营销的痛不在话术，而在名单。给全量客户群发房车险推广，单次触达成本高、转化率低，真正要做的是在销售动作开始前先回答一个问题：这个人会不会买。Python 实现基于伯努利朴素贝叶斯预测客户购买房车险，正是这类场景里最轻量的起步方案：一份客户数据集，配几十行源码，把「买 / 不买」压缩成二元分类问题，再用概率输出给营销名单排序。它不追求模型复杂度，而是用朴素贝叶斯的概率逻辑先跑通「数据 → 特征 → 预测 → 名单」闭环，适合刚接触机器学习分类的从业者，也适合想快速验证保险营销数据价值的团队。我下面讲的这套做法，会直接落到能跑的 Python 代码和参数上，你照着改字段名就能复现。

2. 伯努利朴素贝叶斯为什么适合「买不买」：模型原理与数据格式准备

2.1 伯努利分布与朴素贝叶斯的结合点：二元特征假设

朴素贝叶斯家族里有高斯、多项式、伯努利三兄弟，各自的适用前提完全不同。高斯朴素贝叶斯假设连续特征服从正态分布，多项式朴素贝叶斯假设特征近似离散词频，而伯努利朴素贝叶斯做了一个更严格的假设：每个特征只有 0/1 两种取值，并且特征之间条件独立。它的预测逻辑可以写成后验概率形式：P(购买|特征组合) 正比于 P(购买) 乘以每个特征在购买条件下的伯努利概率。分母对所有类别求和后归一化，最终得到的就是 predict_proba 输出的那个分数。

放在「客户是否会购买房车险」这个场景里，二元特征恰好和业务口径对得上：是否投保过交强险、是否收到过营销短信、是否在官网留过联系方式、是否发生过理赔、车辆是否属于房车品类，这些字段本质就是“是/否”。即使原始数据里存的是连续量，比如客户年龄、年收入，也可以先按业务阈值切成“高龄与否”“高收入与否”，再交给伯努利模型。这样一来，模型要学的 p(x_i|y) 就退化成两张简单的频次表：买的人里，某个特征是 1 的比例；不买的人里，这个特征是 1 的比例。模型复杂度低，意味着训练极快，数据量小也扛得住，这是它在这个场景里的核心价值。

这个模型的输出也贴合业务场景。predict_proba 给的是 P(购买|特征组合)，而不是一个干巴巴的 0/1。营销负责人可以把概率当作“购买倾向分”，按分数降序圈名单，而不是让模型替你做最终决定。换句话说，伯努利朴素贝叶斯在这里不是用来追求超高准确率的，而是用来在大池子里快速捞出一小撮高倾向客户，这决定了后面我们看指标的方式，也决定了它对特征要求的苛刻程度：特征必须先变成“是否”语义，模型才接得住。

2.2 把数据集整理成模型能吃的形态：字段清洗与目标变量定义

标题里提到的“源码+数据集”通常不是直接能训练的形态。以常见实践为例，数据集侧面一般是这种结构：每一行是一个客户，列包含人口学属性、历史保单、渠道互动记录和购买标签。由于不能假设原始 CSV 一定整洁，第一步永远是加载后查空缺、查类型、查目标分布。

import pandas as pd df = pd.read_csv("caravan_insurance.csv", encoding="utf-8") print(df.shape) print(df.dtypes) print(df.isnull().sum().sort_values(ascending=False).head(10)) # 目标变量：是否购买房车险，原始数据里的字段名可能是 CARAVAN / purchase # 把 yes/no 或 Y/N 统一成整数，便于 sklearn 识别 df["purchase"] = df["purchase"].map({"yes": 1, "no": 0}).fillna(0).astype(int) print(df["purchase"].value_counts(normalize=True))

这段代码干了两件事：首先是体检，确认有多少行、每个字段的类型有没有解析错位、哪些字段缺失严重；其次是收拾标签，把字符串型的目标变量映射成 0/1。如果原始列里缺失值太多，比如超过 40%，我一般直接删掉这列，而不是硬补，因为伯努利模型本身不擅长处理缺失，补出来的 0/1 反而会把噪声带进去。

目标变量定义要慎重，别把“曾经购买过”和“有意向购买”混成一类。如果数据里有单独的“咨询过房车险”字段，那是很好的特征，不是目标。购买标签应以保单成交为准，否则模型学到的分布会失真，上线后翻车的概率很高。我见过有人把“点击过广告”当标签，训练出来模型分数虚高，一跑外呼名单就现原形。

特征列里常有一些取值混乱的字段，比如保险类型写成“全险”“comprehensive”“Comprehensive”三种形式，直接独热会产生三个列。处理时要先归一化取值，再生成 0/1 标记：

# 原始数据常见陷阱：字段名不一致、取值混乱 df["has_full_coverage"] = df["coverage_type"].apply( lambda x: 1 if str(x).strip().lower() in ("comprehensive", "全险", "c") else 0 )

这段转换把字符串取值统一成小写后匹配，命中就置 1。逻辑很朴素，但能避免同一个业务含义被独热拆成多列，稀释模型权重。保险数据里这种“同义不同形”的字段非常多，处理时宁可慢一点，也别让模型把噪声当规律学进去。

2.3 标签分布体检与特征列选择原则

房车险购买率在真实业务里通常很低，5% 上下很正常。这个数字直接影响后面的评估方式和阈值设计，拿到数据后第一件事就是确认它。value_counts(normalize=True) 输出的结果是 0.95 和 0.05，就应该立刻意识到：全预测“不买”也有 95% 准确率，模型必须围绕那 5% 来评价。

特征选择遵循一个朴素原则：只保留在销售流程开始前就能拿到的字段。比如客户年龄、行业、历史投保年份数、前一年是否有过理赔、是否通过邮件渠道回应过。像“是否访问过产品页”这类后验字段，训练时很漂亮，部署时拿不到，属于典型的泄露特征，务必排除。一个有效的判断方法是问自己：如果明天要为一个今天刚注册的客户打分，这个字段的值能从数据库里查出来吗？查不出来就删。

我一般会把特征分成三组：客户社会属性、历史保单行为、营销触达响应。社会属性刻画“这个人像不像房车险客群”，保单行为刻画“他是不是我们的长期优质客户”，触达响应刻画“他对保险营销是否敏感”。三组各取几个代表字段，比单押一组字段稳定得多。

3. 特征二元化与模型训练：从 CSV 到可运行的 Python 源码

3.1 连续特征怎么转 0/1：阈值切分的细节与代码

伯努利模型不吃连续值，这是新手最容易踩的硬门槛。很多人在网上找到源码，把年龄、收入原样传给 BernoulliNB，结果模型要么报错，要么预测结果毫无区分度，因为 BernoulliNB 的 binarize 参数默认值只对非负值生效，直接喂连续值会把大部分实数值变成 1，信息全丢。

常见做法是先对连续字段做阈值切分，切分依据有两类：一类是业务口径，比如“年龄大于 45 岁视为高龄客户”，因为房车险的主力客群是退休前后的家庭用户；另一类是统计口径，比如用中位数或分位数，保证切出来的两组尽量均衡。

# 连续特征二元化示例：年龄、年收入、历史保单年限 import numpy as np df["senior_flag"] = (df["age"] > 45).astype(int) df["high_income_flag"] = (df["income"] > df["income"].median()).astype(int) df["long_tenure_flag"] = (df["policy_years"] >= 3).astype(int) # 多分类名义变量也要转成独热再合并，别直接当数值用 df = pd.get_dummies(df, columns=["occupation"], prefix="occ", dtype=int)

这里的三个新特征含义：senior_flag 抓房车险的目标客群年龄特征；high_income_flag 用中位数做切点，避免极值把均值拉偏；long_tenure_flag 表达“老客户比新客户更容易加购新品”。编码方式全是 astype(int)，布尔值转 0/1，干净利落。

如果是名义变量，比如职业、居住地区，那就别用阈值，直接独热编码。独热之后每个取值都变成独立的 0/1 列，伯努利模型处理起来很自然。需要注意的是，独热列数可能很多，训练前先确认这些列不会让矩阵变成几万维，否则 2000 行数据扛几百个特征，过拟合风险非常大。出现频次极低的取值可以预先归并成“其他”，减少特征面。

3.2 用 sklearn 的 BernoulliNB 训练房车险预测模型：核心代码与参数

特征准备好之后，训练代码很短，但参数不能盲抄。下面是可运行的构造方式，语义很明确：每个样本的每个特征要么出现，要么没出现，不要把它们当作计数。核心代码如下：

from sklearn.model_selection import train_test_split from sklearn.naive_bayes import BernoulliNB from sklearn.metrics import confusion_matrix feature_cols = [ "senior_flag", "high_income_flag", "long_tenure_flag", "email_contacted_flag", "prior_claim_flag", ] + [c for c in df.columns if c.startswith("occ_")] X = df[feature_cols].values.astype(int) y = df["purchase"].values X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.25, random_state=42, stratify=y ) model = BernoulliNB(alpha=1.0, binarize=0.0, fit_prior=True) model.fit(X_train, y_train) y_pred = model.predict(X_test) print(confusion_matrix(y_test, y_pred))

这里必须解释三个参数：alpha、binarize、fit_prior。alpha 是拉普拉斯平滑系数，默认 1.0，当训练集中某个特征在某个类别下从未出现时，避免概率算成 0 吞掉其他信息，一般保持默认即可；binarize 设为 0.0 表示“大于 0 的值一律置 1”，因为我们已经做了特征二元化，再传 0.0 可以保证模型内部不会乱动编码；fit_prior 是是否从训练数据里学先验概率，默认 True，当购买比例明显失衡时也可以手动传 class_prior 覆盖，后面专门讲。

数据量小的话，stratify 分层抽样很有必要。房车险购买率低，不分层的话测试集可能一个正样本都没有，混淆矩阵直接缺一块。random_state 固定一个数字，不仅为了复现，更重要的是让你调参时能对比同一批测试集上的效果。每次改动特征或参数，只要随机种子不变，指标变化就可以归因到你的改动，而不是随机波动。

3.3 数据集分割与类别不平衡处理

购买率只有 5% 的场景，直接训练会出现一个尴尬现象：模型预测几乎所有样本为“不买”，准确率却有 95% 以上。这个准确率是虚的，因为营销人员要的是从名单里捞出那 5% 的人，而不是复述“大部分人不会买”这个事实。

解决类别不平衡，伯努利朴素贝叶斯特有的手段是改先验。模型默认按训练集的类别比例算 P(购买) 和 P(不买)，如果真实业务里购买率就是 5%，那默认是对的；但如果数据采集时正样本被刻意抽样放大了，比如为了做营销活动把过去的购买客户全部拉进来，比例失真，就要手动纠正。

# 训练集购买率可能被抽样扭曲，按业务真实先验覆盖 real_prior = 0.05 # 全量客户中实际购买房车险的比例 model_prior = BernoulliNB(alpha=1.0, binarize=0.0, fit_prior=False, class_prior=[1 - real_prior, real_prior]) model_prior.fit(X_train, y_train)

fit_prior=False 时，模型不再从训练集统计类别频率，直接用 class_prior 给的两项做预测。这个技巧在做跨时间测试时特别有用，比如用 2023 年数据训练、2024 年数据验证，两年的购买率可能差好几个百分点，直接套用训练集先验会系统性低估。改完先验后，predict_proba 输出的分数量级会变化，名单排序也会重新洗牌，值得专门盯一下。

注意，class_prior 的列表顺序要跟着 classes_ 走，通常 classes_[0] 是 0（不买），classes_[1] 是 1（购买）。写反了会得到完全镜像的错误概率，等于把名单发给了反向客户。训练完打印 model.classes_ 确认一下就放心了。

4. 模型评估与阈值调整：不只盯准确率

4.1 混淆矩阵与召回的解读方式

训练完第一版模型，大多数人第一反应是打印 accuracy，看到 93% 就觉得完事。但在购买率 5% 的数据集上，93% 的准确率可能意味着正样本一个都没捞着。评估模型服务于营销名单时，我更建议同时看四个数：准确率、精确率、召回率、F1，并且按“购买”这个少数类去读。

from sklearn.metrics import classification_report print(classification_report(y_test, y_pred, target_names=["不买", "购买"]))

实际会看到类似这样的输出：模型在“不买”类上召回 99%，在“购买”类上召回 0%。这就是典型的“名单全救不活”的症状，原因通常有两个：阈值不当或者特征区分度不足。此时不要急着改模型，先跑一次 predict_proba，把购买类的概率降序排列，看看前 100 个客户里到底有多少个真正买了房车险。如果 100 个里能命中 15 个，说明模型学到的排序能力是有的，只是默认阈值 0.5 太苛刻，需要往下调。

另一个容易忽略的角度是基线对比。全量客户购买率若为 5%，随机抽 100 人预期命中 5 人；模型名单命中 12 人，就是基线的 2.4 倍，这个倍数才是业务方能直观理解的指标。我在给业务方汇报时从不念精确率和召回率，只讲一句话：这份名单的命中率是随机名单的两倍还是三倍。

4.2 调整 predict_proba 阈值来改变营销名单

朴素贝叶斯输出的概率绝对值偏大或偏小是常事，因为特征独立性假设在真实保险数据里几乎不成立，所以概率分数只能看相对排序，不能当作真实概率。这也决定了阈值调整要基于名单目标来设定，而不是盯着 0.5。

import numpy as np proba = model.predict_proba(X_test)[:, 1] # 购买类的概率 # 按分数排序，取前 10% 客户作为营销名单 threshold = np.quantile(proba, 0.90) marketing_list = proba >= threshold print("名单人数:", marketing_list.sum()) print("名单命中购买人数:", y_test[marketing_list].sum()) print("名单命中率:", y_test[marketing_list].sum() / max(marketing_list.sum(), 1))

threshold 的取法可以完全绕开模型输出的概率绝对值，用分位数把“分数最高的 10%”圈成第一批外呼名单。好处是名单规模和营销预算直接挂钩：预算够就取前 20%，不够就取前 5%。这里的关键是，不要拿全部客户的平均购买率和名单内的命中率比，而是拿名单内命中率和随机抽样的 5% 基线比，命中率翻倍就算模型有效。

我习惯把评估报告和阈值实验串成一个函数重跑，每次改特征或调参后，输出“前 5% / 前 10% / 前 20%”三档名单的命中率。这个表比任何单一指标都能说服业务方，它直接回答“给我这批名单，这批里到底有多少人真会买”。调阈值时如果发现前 5% 名单命中率反而低于前 10%，说明分数尾部噪声大，需要回去看特征质量，而不是继续切阈值。

提示：不要用 train_test_split 的随机拆分做过拟合判断。跨时间验证更接近真实场景，把前几个月的当训练集，后一个月的当测试集，这样评估出的命中率你敢直接报给业务。

5. 避坑：伯努利朴素贝叶斯做房车险预测的五个常见问题

5.1 现象：预测结果全是“不买”，购买类召回率为 0

训练完成后打印分类报告，购买类的召回率为 0%，整个预测输出没有一个 1。原因很简单：训练集里购买样本占比太低，模型学到的先验 P(购买)≈0.05，而特征对购买类的似然又不够强，后验概率整体压不过不买类，默认阈值 0.5 下全被判为负样本。

解决路径分两步。第一步确认特征真的有意义，用交叉验证看一下购买类的 AUC 分数，如果 AUC 在 0.5 附近说明特征是摆设，得回去做特征工程；如果 AUC 有 0.7 以上，说明模型排序能力存在，就执行第二步，调整决策阈值，把阈值从 0.5 降到 0.2 或更低，用名单坐定策略而不是硬性分类。这一步在所有朴素贝叶斯保险场景里都是标配操作，不丢人。

5.2 现象：连续特征直接丢进 BernoulliNB，报错或者输出毫无区分度

部分网上的源码示例用 binarize=0.5 直接吃连续特征，看起来没报错，结果所有连续值较大的样本都变成 1，模型把年龄、收入信息全当成“都大于 0”，区分度丧失。伯努利模型命名已经说明问题：每个特征只回答“有没有”，不回答“有多少”。

解决方法是先人工切分，把连续字段按业务或分位数转成 0/1；如果实在想偷懒，就给 BernoulliNB 传 binarize=0.0，让它把大于 0 的离散为一个状态，但这只对本来就在 0/n 附近分布的特征有效，年龄这种平滑分布照样失效。正确的姿势永远是：先 explore，再 binary，别指望模型替你圆场。

5.3 现象：同一个数据集换用 MultinomialNB 后分数完全相反

MultinomialNB 假设特征服从多项式分布，适合单词计数、次数统计这类离散频数，而伯努利适合布尔指示量。如果特征里有“理赔次数”“接触次数”这种计数型字段，MultinomialNB 可能会表现更好，但两者混用是概念性错误。伯努利模型的概率公式里，某一个特征为 1 与特征值大小没有关系，一旦计数特征没有被二元化，模型会把数值大小当成出现概率的一部分去计算，排序结果自然诡异。

解决方法是先想清楚特征矩阵是什么语义：全是“是否”用 BernoulliNB；有“几次”也有“是否”的，把“几次”字段先二元化再统一进伯努利，或者干脆改用适合混合分布的逻辑回归。别在同一个模型里混两种语义，这是选型问题，不是调参问题。

5.4 现象：训练集上效果惊艳，测试集上一败涂地

房车险数据集特征列数多、样本量少，很容易出现高维稀疏导致的过拟合。伯努利模型虽然结构简单，但加了大量独热列后同样会记住训练样本。症状是训练集精确率很高，测试集精确率掉一半以上。

解决方法是压缩特征面。先看每个独热列的出现频次，出现次数小于 5 的取值直接归并为“其他”类型；再看特征之间相关性，比如“是否高龄”和“是否退休年龄”高度重叠，留一个即可。特征做减法对朴素贝叶斯的收益往往大于换模型，因为模型本身不擅长做特征筛选，垃圾进垃圾出在这里表现得比很多模型都明显。

5.5 现象：新预测数据转特征时报错：特征数量不一致

训练时用的特征列里包含独热编码产生的多个 occ_ 列，等到实际预测线上新数据时，如果新数据集里职业取值比训练集少，get_dummies 产生的列数就比训练时少，模型直接报维度不匹配。这类错误在把模型封装成 Python 脚本、批量跑新名单时特别常见。

解决方法是先保存一份完整的特征列清单，预测前用 reindex 把新数据框对齐到训练特征列上，缺失列补 0。代码如下：

def prepare_features(raw_df, feature_cols): df = raw_df.copy() df["senior_flag"] = (df["age"] > 45).astype(int) df["high_income_flag"] = (df["income"] > df["income"].median()).astype(int) df = pd.get_dummies(df, columns=["occupation"], prefix="occ", dtype=int) df = df.reindex(columns=feature_cols, fill_value=0) return df[feature_cols]

这里还有个隐含问题：中位数、分位数这些切分参数是训练集里算出来的，预测时一定要沿用训练阶段的切点，不能在 predict 时用新数据的 median 重新算。否则同一个客户在不同月份的分数会漂移，上线后行为完全不可控。

提示：把训练阶段计算出的阈值、列清单、class_prior 全部保存成 JSON 或 pkl，预测阶段只加载这些元数据，不在预测脚本里重新计算。

6. 从预测到落地：用概率分数圈营销名单的进阶玩法

模型跑通之后，价值不在一份 sklearn 报告里，而在每天生成的那份外呼名单里。进阶玩法是把概率分数直接对接营销流程：每天早晨从数据库拉新增客户，跑一遍特征转换和 predict_proba，按分数倒序输出 Excel，交给电销团队。名单前面可以加一列“推荐强度”，把概率分数分档位，比如前 5% 标记为“A 类”，5% 到 20% 标记为“B 类”，低于 20% 不进入当期营销池。

这里要特别注意一个我踩过不止一次的坑：朴素贝叶斯概率分数会随客户群结构变化而漂移。某个月进了大量年轻客户，他们本身购买倾向低，top 10% 的分数门槛会跟着波动，导致同样分数的客户在不同月份被划入不同档位。我的习惯是每个月用当月数据跑一次名单分位数，动态定档，而不是写死一个概率阈值。

另一个值得投入的验证方法是分层抽样回访。从模型挑出的 A 类名单里随机抽 100 人做外呼试点，同时从 B 类里抽 100 人，对比两组的实际购买转化率。只要 A 类转化率明显高于 B 类，模型就真正兑现了价值，这个测试结果比任何离线精度指标都更能让业务方认可。伯努利朴素贝叶斯的优势之一就是训练快、更新成本低，一个月重新训练一次完全可行，配合滚动验证能持续监控名单质量。

我把这套流程跑了三个季度后最深切的体会是：真正难的不是那几十行 Python 源码，而是每次数据格式变化后都要重新守住的稳定性约定——阈值不用新数据重算、特征列不擅自增加、先验不随手改动。把这三条约定写进代码注释里，比试图理解每个概率数字背后的玄学更值钱。希望这些经验能帮到你。

本文还有配套的精品资源，点击获取