Python基于Logistic回归建模计算某银行在降低贷款拖欠率的数据示例
程序员文章站
2023-12-04 08:45:10
本文实例讲述了python基于logistic回归建模计算某银行在降低贷款拖欠率的数据。分享给大家供大家参考,具体如下:
一、logistic回归模型:
...
本文实例讲述了python基于logistic回归建模计算某银行在降低贷款拖欠率的数据。分享给大家供大家参考,具体如下:
一、logistic回归模型:
二、logistic回归建模步骤
1.根据分析目的设置指标变量(因变量和自变量),根据收集到的数据进行筛选
2.用ln(p/1-p)和自变量x1...xp列出线性回归方程,估计出模型中的回归系数
3.进行模型检验。模型有效性检验的函数有很多,比如正确率、混淆矩阵、roc曲线、ks值
4.模型应用。
三、对某银行在降低贷款拖欠率的数据进行建模
源代码为:
import pandas as pd filename=r'..\data\bankloan.xls' #导入数据路径 data=pd.read_excel(filename) #读取该excel文件 x=data.iloc[:,:8].as_matrix() #选取数据集中0-7行的数据,形成一个矩阵 y=data.iloc[:,8].as_matrix() from sklearn.linear_model import logisticregression as lr from sklearn.linear_model import randomizedlogisticregression as rlr rlr=rlr() rlr.fit(x,y) #训练模型 rlr.get_support() #获取特征筛选结果 print(u'通过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_support()])) x=data[data.columns[rlr.get_support()]].as_matrix() #筛选好的特征 lr=lr() lr.fit(x,y) print(u'逻辑回归模型训练结束') print(u'模型的平均正确率:%s'%lr.score(x,y))
机器运行结果报错:
indexerror: boolean index did not match indexed array along dimension 0; dimension is 9 but corresponding boolean dimension is 8
解决办法:建立一个新的矩阵data2,去掉最后一行,使维数匹配。
修改后代码如下:
import pandas as pd filename=r'..\data\bankloan.xls' data=pd.read_excel(filename) x=data.iloc[:,:8].as_matrix() y=data.iloc[:,8].as_matrix() from sklearn.linear_model import logisticregression as lr from sklearn.linear_model import randomizedlogisticregression as rlr rlr=rlr() rlr.fit(x,y) rlr.get_support() print(u'通过逻辑回归模型筛选特征结束。') data2=data.drop(u'违约',1) print(u'有效特征为:%s'%','.join(data2.columns[rlr.get_support()])) x=data[data2.columns[rlr.get_support()]].as_matrix() lr=lr() lr.fit(x,y) print(u'逻辑回归模型训练结束') print(u'模型的平均正确率:%s'%lr.score(x,y))
机器运行结果:
更多关于python相关内容感兴趣的读者可查看本站专题:《python数学运算技巧总结》、《python数据结构与算法教程》、《python函数使用技巧总结》、《python字符串操作技巧汇总》及《python入门与进阶经典教程》
希望本文所述对大家python程序设计有所帮助。
上一篇: 软文写要点揭秘,小白也能写出80分文章
下一篇: 最适合企业推广方式有哪些