python数据分析与挖掘实战（4）挖掘建模之分类与预测

最新推荐文章于 2024-06-30 16:34:38 发布

Three123v

最新推荐文章于 2024-06-30 16:34:38 发布

阅读量1k

点赞数 2

分类专栏： python

本文链接：https://blog.csdn.net/Three123v/article/details/97134938

版权

本文探讨了Python数据分析中分类与预测的几个关键模型，包括Logistic回归、决策树和人工神经网络。在Logistic回归部分，提到了RLR算法已被淘汰以及DataFrame.values的使用。在决策树部分，讨论了文件路径错误和数据类型问题。最后在人工神经网络部分，介绍了cm_plot函数的安装问题以及tensorflow模块的必要性，并提到了一个TensorFlow报错的解决方案。

摘要由CSDN通过智能技术生成

分类与预测

loc\iloc\ix三种索引的区别与用法
loc 在index的标签上进行索引,范围包括start和end.
iloc 在index的位置上进行索引,不包括end.
ix 先在index的标签上索引，索引不到就在index的位置上索引(如果index非全整数),不包括end.

Logistic回归

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import pandas as pd

filename='E:\pycharm\python数据分析与挖掘实战数据及源码\chapter5\demo\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() #建立随机逻辑回归模型，筛选变量
rlr.fit(x, y) #训练模型
rlr.get_support() #获取特征筛选结果，也可以通过.scores_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_support()]))
x = data[data.columns[rlr.get_support()]].as_matrix() #筛选好特征

lr = LR() #建立逻辑货柜模型
lr.fit(x, y) #用筛选后的特