『Python数据分析与挖掘实战』第五章：挖掘建模

最新推荐文章于 2024-07-11 08:05:31 发布

AGI路线开拓者

最新推荐文章于 2024-07-11 08:05:31 发布

阅读量7.6k

点赞数 3

分类专栏：数据挖掘文章标签： Python学习大数据数据挖掘逻辑回归

本文链接：https://blog.youkuaiyun.com/Sbtgmz/article/details/51769725

版权

本文深入探讨了Python数据分析中的逻辑回归模型，指出其在变量筛选上的局限性，并提及非线性关系的变量筛选方法如决策树和神经网络。通过Keras进行神经网络实践，注意到因样本量不足导致的准确率问题。文章还介绍了模型预测效果评价的常见指标，如均方误差和识别准确度、精确率等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# coding:utf-8
"""
logistic 回归， 自动建模
"""
import pandas as pd

# 参数初始化
filename = r"C:\learning\DataMining\Book\Python_DataMining\Data\chapter5\demo\data\bankloan.xls"
data = pd.read_excel(filename)
x = data.iloc[:, : 8].as_matrix()     # 此处的 [:, : 8] 的意思是，切片所有的行和 1- 8列的数据  # 此处的 as_matrix 函数是
# 将数据框数据结构转换为使用数组的数据结构
print "x: \n", x
y = data.iloc[:, 8].as_matrix()    # 此处的 [:, 8] 的意思是， 切片所有的行和第 9 列 ，注：这里的数字实际上是第 n 列 - 1
print "y: \n", y

from sklearn.linear_model import LogisticRegression as LR
from sklearn.linear_model import RandomizedLogisticRegression as RLR

rlr = RLR()    # 建立随机逻辑回归模型，筛选变量 # 可以使用参数设置阈值： selection_threshold = 0.5 等

rlr.fit(x, y)  # 训练模型
rlr.get_support()    # 获取特征筛选结果，也可以通过 .scoress_方法获取各个特征的分数
print u"通过随机逻辑回归模型筛选特征结束"
print u"有效特征为： %s " % ",".join(data.columns[rlr.get_su

最低0.47元/天解锁文章