The data is related with direct mar

The data is related with direct marketing campaigns (phone calls) of a Portuguese banking institution. The classification goal is to predict if the client will subscribe a term deposit (variable y).
The data is related with direct marketing campaigns of a Portuguese banking institution. The marketing campaigns were based on phone calls. Often, more than one contact to the same client was required, in order to access if the product (bank term deposit) would be ('yes') or not ('no') subscribed.
There are four datasets:
1) bank-additional-full.csv with all examples (41188) and 20 inputs, ordered by date (from May 2008 to November 2010), very close to the data analyzed in [Moro et al., 2014]
2) bank-additional.csv with 10% of the examples (4119), randomly selected from 1), and 20 inputs.
3) bank-full.csv with all examples and 17 inputs, ordered by date (older version of this dataset with less inputs).
4) bank.csv with 10% of the examples and 17 inputs, randomly selected from 3 (older version of this dataset with less inputs).
The smallest datasets are provided to test more computationally demanding machine learning algorithms (e.g., SVM).

The classification goal is to predict if the client will subscribe (yes/no) a term deposit (variable y).

nput variables:
# bank client data:
1 - age (numeric)
2 - job : type of job (categorical: 'admin.','blue-collar','entrepreneur','housemaid','management','retired','self-employed','services','student','technician','unemployed','unknown')
3 - marital : marital status (categorical: 'divorced','married','single','unknown'; note: 'divorced' means divorced or widowed)
4 - education (categorical: 'basic.4y','basic.6y','basic.9y','high.school','illiterate','professional.course','university.degree','unknown')
5 - default: has credit in default? (categorical: 'no','yes','unknown')
6 - housing: has housing loan? (categorical: 'no','yes','unknown')
7 - loan: has personal loan? (categorical: 'no','yes','unknown')
# related with the last contact of the current campaign:
8 - contact: contact communication type (categorical: 'cellular','telephone')
9 - month: last contact month of year (categorical: 'jan', 'feb', 'mar', ..., 'nov', 'dec')
10 - day_of_week: last contact day of the week (categorical: 'mon','tue','wed','thu','fri')
11 - duration: last contact duration, in seconds (numeric). Important note: this attribute highly affects the output target (e.g., if duration=0 then y='no'). Yet, the duration is not known before a call is performed. Also, after the end of the call y is obviously known. Thus, this input should only be included for benchmark purposes and should be discarded if the intention is to have a realistic predictive model.
# other attributes:
12 - campaign: number of contacts performed during this campaign and for this client (numeric, includes last contact)
13 - pdays: number of days that passed by after the client was last contacted from a previous campaign (numeric; 999 means client was not previously contacted)
14 - previous: number of contacts performed before this campaign and for this client (numeric)
15 - poutcome: outcome of the previous marketing campaign (categorical: 'failure','nonexistent','success')
# social and economic context attributes
16 - emp.var.rate: employment variation rate - quarterly indicator (numeric)
17 - cons.price.idx: consumer price index - monthly indicator (numeric)
18 - cons.conf.idx: consumer confidence index - monthly indicator (numeric)
19 - euribor3m: euribor 3 month rate - daily indicator (numeric)
20 - nr.employed: number of employees - quarterly indicator (numeric)

Output variable (desired target):
21 - y - has the client subscribed a term deposit? (binary: 'yes','no')

Results (Indonesian) 1:

Data yang terkait dengan kampanye pemasaran langsung (telepon) lembaga perbankan Portugis. Klasifikasi tujuan adalah untuk memprediksi jika klien akan berlangganan deposito berjangka (variabel y).Data yang terkait dengan kampanye pemasaran langsung dari sebuah lembaga perbankan Portugis. Kampanye pemasaran berbasis pada panggilan telepon. Seringkali lebih dari satu kontak untuk klien yang sama ini diperlukan, untuk mengakses jika produk (deposito bank berjangka) akan ('ya') atau tidak ('no') berlangganan.Ada empat dataset: 1) bank-tambahan-full.csv dengan semua contoh (41188) dan masukan 20, diperintahkan oleh tanggal (dari Mei 2008 hingga November 2010), sangat dekat dengan data dianalisis dalam [Moro et al., 2014]2) bank-additional.csv dengan 10% contoh (4119), secara acak dipilih dari 1), dan 20 input.3) bank-full.csv dengan semua contoh dan masukan 17, diperintahkan oleh tanggal (versi lebih tua ini dataset dengan input kurang). 4) bank.csv dengan 10% dari contoh-contoh dan masukan 17, secara acak dipilih dari 3 (versi lebih tua ini dataset dengan input kurang). Dataset terkecil disediakan untuk menguji mesin lebih mesin menuntut belajar algoritma (misalnya, SVM). Klasifikasi tujuan adalah untuk memprediksi jika klien akan berlangganan (ya/tidak) deposito berjangka (variabel y).nput variabel:# bank data klien:1 - usia (numerik)2 - pekerjaan: jenis pekerjaan (kategoris: 'admin.', 'kerah biru', 'pengusaha', 'bedinde', 'manajemen', 'pensiunan', 'self-dipekerjakan', 'Layanan', 'mahasiswa', 'teknisi', 'bekerja', 'tidak diketahui')3 - perkawinan: status perkawinan (kategoris: 'bercerai', 'menikah', 'tunggal', 'tidak diketahui'; dicatat: 'bercerai' berarti bercerai atau janda)4 - pendidikan (kategoris: 'basic.4y','basic.6y','basic.9y','high.school','illiterate','professional.course','university.degree','unknown')5 - default: memiliki kredit default? (kategoris: 'tidak', 'ya', 'tidak diketahui')6 - perumahan: memiliki pinjaman perumahan? (kategoris: 'tidak', 'ya', 'tidak diketahui')7 - pinjaman: memiliki pinjaman pribadi? (kategoris: 'tidak', 'ya', 'tidak diketahui')# terkait dengan kontak terakhir kampanye saat ini:8 - kontak: Hubungi jenis komunikasi (kategoris: 'seluler', 'telepon') 9 - bulan: terakhir Hubungi bulan tahun (kategoris: 'Januari', 'Februari', 'Maret',..., 'November', 'Desember')10 - day_of_week: terakhir Hubungi hari Minggu (kategoris: 'Senin', 'Selasa', 'Rabu', 'Kamis', 'Jumat')11 - Durasi: terakhir Hubungi durasi, dalam hitungan detik (numerik). Catatan penting: atribut ini sangat mempengaruhi output target (misalnya, jika durasi = 0 maka y = 'tidak'). Namun, durasi tidak diketahui sebelum panggilan dilakukan. Juga, setelah akhir panggilan y jelas diketahui. Dengan demikian, masukan ini hanya harus dimasukkan untuk tujuan benchmark dan harus dibuang jika tujuannya adalah untuk memiliki model prediktif realistis.# atribut lainnya:12 - kampanye: jumlah kontak yang dilakukan selama kampanye ini dan untuk klien ini (numerik, termasuk kontak terakhir)13 - pdays: jumlah hari yang berlalu setelah klien terakhir dihubungi dari kampanye sebelumnya (numerik; 999 berarti klien tidak dihubungi sebelumnya)14 - sebelumnya: jumlah kontak yang dilakukan sebelum kampanye ini dan untuk klien ini (numerik)15 - poutcome: hasil dari kampanye pemasaran sebelumnya (kategoris: 'gagal', 'tidak ada', 'success')# konteks sosial ekonomi atribut16 - emp.var.rate: pekerjaan variasi menilai - indikator triwulanan (numerik)17 - cons.price.idx: indeks harga konsumen - bulanan indikator (numerik) 18 - cons.conf.idx: indeks keyakinan konsumen - bulanan indikator (numerik) 19 - euribor3m: euribor 3 bulan rate - harian indikator (numerik)20 - nr.employed: jumlah karyawan - kuartalan indikator (numerik)Output variabel (diinginkan target):21 - y - memiliki klien berlangganan deposito? (biner: 'ya', 'tidak')

Results (Indonesian) 2:

Data tersebut terkait dengan kampanye pemasaran langsung (panggilan telepon) dari lembaga perbankan Portugis. Tujuan klasifikasi adalah untuk memprediksi jika klien akan berlangganan deposito berjangka (variabel y).
Data tersebut terkait dengan kampanye pemasaran langsung dari lembaga perbankan Portugis. Kampanye pemasaran didasarkan pada panggilan telepon. Seringkali, lebih dari satu kontak ke klien yang sama diperlukan, untuk mengakses jika produk (deposito berjangka bank) akan ('ya') atau tidak ('tidak') berlangganan.
Ada empat dataset:
1) bank- tambahan-full.csv dengan semua contoh (41.188) dan 20 masukan, disusun menurut tanggal (dari Mei 2008 sampai November 2010), sangat dekat dengan data dianalisis dalam [Moro et al., 2014]
2) Bank-additional.csv dengan 10% dari contoh (4119), dipilih secara acak dari 1), dan 20 input.
3) Bank-full.csv dengan semua contoh dan 17 input, disusun menurut tanggal (versi lama dari dataset ini dengan input kurang).
4) Bank .csv dengan 10% dari contoh dan 17 masukan, dipilih secara acak dari 3 (versi lama dari dataset ini dengan input kurang).
The dataset terkecil disediakan untuk menguji lebih komputasi algoritma pembelajaran mesin menuntut (misalnya, SVM). Tujuan klasifikasi . untuk memprediksi apakah klien akan berlangganan (ya / tidak) deposito berjangka (variabel y) nput variabel: # client data bank: 1 - usia (numerik) 2 - Pekerjaan: jenis pekerjaan (kategoris: Status perkawinan (kategoris:: 'bercerai', 'menikah', 'single', 'tidak diketahui'; diperhatikan: 'bercerai' berarti bercerai atau janda) perkawinan - 4 - pendidikan (kategoris: - Default: memiliki kredit default (kategoris: 'tidak', 'ya', 'tidak diketahui')? 6 - perumahan: memiliki kredit perumahan (kategoris: 'tidak', 'ya', 'tidak diketahui') 7 - Pinjaman: memiliki pinjaman pribadi (kategoris: 'tidak', 'ya', 'tidak diketahui')? # terkait dengan kontak terakhir dari kampanye saat ini: 8 - kontak: kontak jenis komunikasi (kategoris: 'seluler', 'telepon') 9 - bulan: bulan kontak terakhir tahun (kategoris: 'Januari', 'Februari', 'mar', ..., 'November', 'Desember') 10 - DAY_OF_WEEK: hari kontak terakhir dalam seminggu (kategoris: 'mon' , 'Sel', 'menikah', 'thu', 'fri') 11 - Durasi:. durasi kontak terakhir, di detik (numerik) Catatan penting: atribut ini sangat mempengaruhi target produksi (misalnya, jika durasi = 0 maka y = 'no'). Namun, durasi tidak diketahui sebelum panggilan dilakukan. Juga, setelah akhir panggilan y jelas diketahui. Dengan demikian, masukan ini hanya boleh termasuk untuk tujuan benchmark dan harus dibuang jika niat adalah untuk memiliki model prediktif yang realistis. # atribut lainnya: 12 - Kampanye: jumlah kontak dilakukan selama kampanye ini dan untuk klien ini (numerik, termasuk kontak terakhir) 13 - pdays: jumlah hari yang berlalu setelah klien terakhir dihubungi dari kampanye sebelumnya (numerik; 999 berarti klien tidak dihubungi sebelumnya) 14 - sebelumnya: jumlah kontak dilakukan sebelum kampanye ini dan untuk klien ini (numerik) 15 - poutcome: hasil dari kampanye pemasaran sebelumnya (kategoris: 'kegagalan', 'tidak ada', 'sukses' ) # konteks sosial dan ekonomi atribut 16 - emp.var.rate: tingkat variasi kerja - indikator kuartalan (numerik) 17 - cons.price.idx: Indeks harga konsumen - indikator bulanan (numerik) 18 - cons.conf.idx: konsumen Indeks kepercayaan - indikator bulanan (numerik) 19 - euribor3m: Euribor 3 tingkat bulan - indikator harian (numerik) 20 - nr.employed: jumlah karyawan - indikator kuartalan (numerik) variabel Output (target yang diinginkan): 21 - y - memiliki klien berlangganan deposito berjangka? (biner: 'ya', 'tidak')