Python实战|逻辑回归实战-股票客户流失预警模型(Python代码) python|机器学习|深度学习|逻辑

文章目录

一、逻辑回归
- sigmoid函数绘制
- 逻辑回归模型
二、逻辑回归模型案例
- 股票客户流失预警模型
- 股票客户流失预警模型评估
三、多项逻辑回归(多分类回归)

逻辑回归和多项逻辑回归理论看这篇博客
一、逻辑回归 sigmoid函数绘制

# sigmoid函数绘制 import matplotlib.pyplot as plt import numpy as npx = np.linspace(-6, 6)# 通过linspace()函数生成-6到6的等差数列，默认50个数 y = 1.0 / (1.0 + np.exp(-x))# Sigmoid函数计算公式 plt.grid() plt.plot(x,y) plt.annotate('$sigmoid(x)=\\frac{1}{1+e^{-x}}$' ,xy=(2,0.5) ,xytext=(0.2, 0.5) ,size = 15 ) plt.show()

文章图片
逻辑回归模型

# 构造数据 X = [[1, 0], [5, 1], [6, 4], [4, 2], [3, 2]] y = [0, 1, 1, 0, 0]# 模型训练 from sklearn.linear_model import LogisticRegression model = LogisticRegression().fit(X, y)# 打印系数和截距项 print(model.coef_)# 系数w1与w2 print(model.intercept_)# 截距项b

# 模型预测 - 预测单个数据 print(model.predict([[2,2]])) # 模型预测 - 预测多个数据1 print(model.predict([[1,1], [2,2], [5, 5]]))# 预测概率：左列是分类为0的概率，右列是分类为1的概率 y_pred_proba = model.predict_proba(X) print(y_pred_proba)# 通过DataFrame展示 import pandas as pd pd.DataFrame(y_pred_proba, columns=['分类为0的概率', '分类为1的概率'])

	分类为0的概率	分类为1的概率
0	0.973449	0.026551
1	0.390720	0.609280
2	0.179910	0.820090
3	0.631679	0.368321
4	0.824245	0.175755

二、逻辑回归模型案例股票客户流失预警模型 【Python实战|逻辑回归实战-股票客户流失预警模型(Python代码)】不知道怎么上传Excel，有需要可以私信

# 逻辑回归模型案例 - 股票客户流失预警模型 # 1.读取数据 import pandas as pd df = pd.read_excel('股票客户流失.xlsx')# 2.划分特征变量和目标变量 X = df.drop(columns='是否流失') y = df['是否流失']# 3.划分训练集和测试集 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=90)# 4.模型搭建 from sklearn.linear_model import LogisticRegression model = LogisticRegression().fit(X_train, y_train)# 5.预测数据结果 y_pred = model.predict(X_test) print(y_pred[0:100])# 打印预测内容的前100个看看# 放到一个DataFrame里进行查看比对 a = pd.DataFrame()# 创建一个空DataFrame a['预测值'] = list(y_pred) a['实际值'] = list(y_test) a.head()# 可以看到此时前5个预测准确度为80%# 预测准确率 score = model.score(X_test, y_test) print(score)# 6.预测概率 y_pred_proba = model.predict_proba(X_test) print(y_pred_proba[0:5])# 打印前5个客户的分类概率

股票客户流失预警模型评估

# 评估股票客户流失预警模型 # 1.计算ROC曲线需要的假警报率（fpr）、命中率（tpr）及阈值（thres） from sklearn.metrics import roc_curve fpr, tpr, thres = roc_curve(y_test, y_pred_proba[:,1])# 2.查看假警报率（fpr）、命中率（tpr）及阈值（thres） a = pd.DataFrame()# 创建一个空DataFrame a['阈值'] = list(thres) a['假警报率'] = list(fpr) a['命中率'] = list(tpr) a.head()# 3.绘制ROC曲线 import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] #显示中文标签，Mac用这个显示中文 #plt.rcParams['font.sans-serif'] = ['SimHei']# 设置中文 plt.plot(fpr, tpr)# 绘制折线图 plt.title('ROC曲线') # 添加标题 plt.xlabel('FPR')# 添加X轴标签 plt.ylabel('TPR')# 添加Y轴标 plt.show()# 4.求出模型的AUC值 from sklearn.metrics import roc_auc_score AUC = roc_auc_score(y_test, y_pred_proba[:,1]) AUC

文章图片
三、多项逻辑回归(多分类回归)

# 构造数据，此时y有多个分类 X = [[1, 0], [5, 1], [6, 4], [4, 2], [3, 2]] y = [-1, 0, 1, 1, 1]# 这里有三个分类-1、0、1# 模型训练 from sklearn.linear_model import LogisticRegression model = LogisticRegression().fit(X, y) print(model.predict([[0, 0]])) print(model.predict(X)) print(model.predict_proba([[0, 0]]))