Python基于Logistic回歸建模計算某銀行在降低貸款拖欠率的數(shù)據(jù)示例

更新時間：2019年01月23日 10:33:50 作者：Sssssong12345

這篇文章主要介紹了Python基于Logistic回歸建模計算某銀行在降低貸款拖欠率的數(shù)據(jù),結(jié)合實例形式分析了Python基于邏輯回歸模型的數(shù)值運算相關(guān)操作技巧,需要的朋友可以參考下

本文實例講述了Python基于Logistic回歸建模計算某銀行在降低貸款拖欠率的數(shù)據(jù)。分享給大家供大家參考，具體如下：

一、Logistic回歸模型：

二、Logistic回歸建模步驟

1.根據(jù)分析目的設(shè)置指標(biāo)變量（因變量和自變量），根據(jù)收集到的數(shù)據(jù)進(jìn)行篩選

2.用ln(p/1-p)和自變量x1...xp列出線性回歸方程，估計出模型中的回歸系數(shù)

3.進(jìn)行模型檢驗。模型有效性檢驗的函數(shù)有很多，比如正確率、混淆矩陣、ROC曲線、KS值

4.模型應(yīng)用。

三、對某銀行在降低貸款拖欠率的數(shù)據(jù)進(jìn)行建模

源代碼為：

import pandas as pd
filename=r'..\data\bankloan.xls' #導(dǎo)入數(shù)據(jù)路徑
data=pd.read_excel(filename) #讀取該excel文件
x=data.iloc[:,:8].as_matrix() #選取數(shù)據(jù)集中0-7行的數(shù)據(jù)，形成一個矩陣
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) #訓(xùn)練模型
rlr.get_support() #獲取特征篩選結(jié)果
print(u'通過邏輯回歸模型篩選特征結(jié)束。')
print(u'有效特征為：%s'%','.join(data.columns[rlr.get_support()]))
x=data[data.columns[rlr.get_support()]].as_matrix() #篩選好的特征
lr=LR()
lr.fit(x,y)
print(u'邏輯回歸模型訓(xùn)練結(jié)束')
print(u'模型的平均正確率：%s'%lr.score(x,y))

機器運行結(jié)果報錯：

IndexError: boolean index did not match indexed array along dimension 0; dimension is 9 but corresponding boolean dimension is 8

解決辦法：建立一個新的矩陣data2，去掉最后一行，使維數(shù)匹配。

修改后代碼如下：

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'通過邏輯回歸模型篩選特征結(jié)束。')
data2=data.drop(u'違約',1)
print(u'有效特征為：%s'%','.join(data2.columns[rlr.get_support()]))
x=data[data2.columns[rlr.get_support()]].as_matrix()
lr=LR()
lr.fit(x,y)
print(u'邏輯回歸模型訓(xùn)練結(jié)束')
print(u'模型的平均正確率：%s'%lr.score(x,y))

機器運行結(jié)果：