TensorFlow 深度学习 | 使用 feature_column 实现银行营销二分类

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在优快云上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

---

TensorFlow 深度学习：使用 feature_column 实现银行营销二分类

在深度学习实践中，结构化数据的分类问题同样常见，例如银行营销活动的预测。

本文将介绍如何使用 TensorFlow 的 tf.feature_column 工具，对银行营销数据进行特征工程，并构建一个二分类模型。

---

📌 一、数据集介绍

本例采用 UCI Bank Marketing 数据集，该数据集常用于二分类任务，目标是预测客户是否会订阅定期存款。

数据集的主要特征包括：

• 类别型特征：如 job（职业）、marital（婚姻状况）、education（教育水平）、contact（联系方式）、month（联系月份）、poutcome（前次营销结果）等。
• 数值型特征：如 age（年龄）、balance（账户余额）、duration（通话时长）、campaign（当前活动联系次数）等。
• 标签：y（客户是否订阅定期存款，“yes”/“no”）。

---

⚙️ 二、环境准备与数据加载

安装依赖

pip install tensorflow pandas scikit-learn matplotlib

加载数据

import pandas as pd
from sklearn.model_selection import train_test_split

# 假设数据存放在 bank.csv
data = pd.read_csv("bank.csv", sep=";")

# 标签列转为二进制
data["y"] = data["y"].map({
   
   "yes": 1, "no": 0})

# 划分训练集与测试集
train, test = train_test_split(data, test_size=0.2, random_state=42)

---

🏗️ 三、构建 feature_column

数值型特征

import tensor