Python数据分析与挖掘实战代码纠错 代码5-1

介绍

回归分析是确定预测属性(数值型)与其他变量间相互依赖的定量关系最常用的统计学方法。 逻辑回归是概率型非线性回归,有2分类和多分类。2分类就是y的取值为0,1 即是 或 否 。 逻辑回归本质还是一种线性模型,筛选出来的变量与结果有比较强的线性关系,非线性关系的筛选方法有决策树,神经网络等。 

在运行python数据分析与挖掘实战代码5-1时,调试不同出现以下错误:


经测试,参数不匹配引起的错误。

修改代码如下:

#-*- coding: utf-8 -*-
#逻辑回归 自动建模
import pandas as pd
#参数初始化
filename = '../data05/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(8)]))
x = data[data.columns[rlr.get_support(8)]].as_matrix() #筛选好特征
lr = LR() #建立逻辑货柜模型
lr.fit(x, y) #用筛选后的特征数据来训练模型
print(u'逻辑回归模型训练结束。')

print(u'模型的平均正确率为:%s' % lr.score(x, y)) #给出模型的平均正确率,本例为81.4%

再次运行如下:


亲测有效哦!


展开阅读全文

没有更多推荐了,返回首页