找不到逻辑回归的最优停止精度？py案例惊掉你的下巴_logisticregression tol最优值-优快云博客

文章详细描述了使用逻辑回归模型对银行贷款风险用户进行识别的过程，包括数据预处理、模型构建、参数优化和性能评估。作者通过实例展示了如何导入库、读取数据、划分数据集、调整tol参数以提高召回率，并提供了分类报告以评估模型性能。

8）给出多个精度tol值，tol默认为1e-4

13）分类报告，包含准确率、召回率、F1-score等指标。

3.代码结果：

三、总结

一、准备阶段

步骤1.

用win+R打开控制台

步骤2.

使用pip命令

pip install pandas#使用pip下载pandas库
pip install pandas#使用pip下载numpy库
pip install scikit-learn#使用pip下载scikit-learn库

二、案例分析

1.案例：

对银行的贷款风险用户识别

2.数据表：

data.xls（【免费】对银行的贷款风险用户识别资源-优快云文库）

2.编写代码

1）.导入库

首先，导入了所需的库，包括Pandas用于数据处理，sklearn.linear_model的LogisticRegression用于逻辑回归模型，sklearn.model_selection的train_test_split用于数据集划分，sklearn的metrics用于评估模型指标。

import pandas as pd#用于数据分析
from sklearn.linear_model import LogisticRegression#用于逻辑回归模型
#sklearn.model_selection库中的train_test_split函数用于数据集划分
from sklearn.model_selection import train_test_split
#sklearn的metrics用于评估模型指标
from sklearn import metrics
#用于交叉验证
from sklearn.model_selection import cross_val_score

2）读入数据

使用Pandas的read_excel函数读取了名为"data.xls"的Excel数据文件，并将其存储在名为"data"的DataFrame对象中。

data=pd.read_excel('./data.xls')#读入数据

3）取出自变量与因变量

从"data" DataFrame中，使用drop函数删除了名为"还款拖欠情况"的列，并将其赋值给变量"x"，这里将x作为自变量。同时，将名为"还款拖欠情况"的列赋值给变量"y"，即因变量。

#使用drop函数删除了名为"还款拖欠情况"的列，并将其赋值给变量"x"
x=data.drop('还款拖欠情况',axis=1)
#将名为"还款拖欠情况"的列赋值给变量"y"
y=data.还款拖欠情况