算法实践第一天 ——模型构建

数据

data_all.csv文件是非原始数据，已经处理过了。数据是金融数据, 我们要做的是预测贷款用户是否会逾期。表格中, status是标签: 0表示未逾期, 1表示逾期。

任务——模型构建

给定数据集，数据三七分，随机种子2018。（在任务1中什么都不用考虑，即不需数据处理和模型调参）
调用sklearn的包，简单构建逻辑回归、SVM和决策树3个模型，评分方式任意（e.g. 准确度和auc值）。

代码实现

1. 导入所需的所有包

 import pandas as pd
 from sklearn.model_selection import train_test_split
 from sklearn.linear_model import LogisticRegression
 from sklearn.metrics import accuracy_score
 from sklearn.metrics import roc_auc_score
 from sklearn.svm import LinearSVC
 from sklearn import tree

2. 加载数据

file_path = 'G:\DatawhaleWeek01\Data\data_all.csv'
row_data = pd.read_csv(file_path)

3. 数据分析

print(row_data.head())
print(row_data.describe())
# 查看每列是否有缺失值
print(row_data.isnull().sum())
# 查看所有的列名
print(row_data.columns)
# 查看索引
print('index:',row_data.index)

4. 划分数据集

# 特征是除去“status”列的所有值
feature = [x for x in row_data.columns if x not in ['status']]
X = row_data[feature]
# 'status'列是标签
y = row_data['status']
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3,random_state=2018)

5. 构建模型
   5.1逻辑回归

lr = LogisticRegression(random_state=2018)
lr.fit(X_train,y_train)
# 得到预测标签值
lr_predict = lr.predict(X_test)
# 得到预测标签的概率（标签为0的概率，标签为1的概率）
lr_predict_proba = lr.predict_proba(X_test)
print(lr_predict)
print(lr_predict_proba)

5.2LinearSVM

clf = LinearSVC(C=5)
clf.fit(X_train,y_train)
y_test= clf.predict(X_test)
print(y_test)

5.3决策树

clf = tree.DecisionTreeClassifier()
clf.fit(X_train,y_train)
y_test= clf.predict(X_test)
y_test_proba = clf.predict_proba(X_test)
print(y_test)
print(y_test_proba)

6. 模型评分
   6.1准确率

y_true = y_test
print(y_true.shape)
print(y_test.shape)
data_accuracy_score = accuracy_score(y_true=y_true, y_pred=lr_predict)
print("准确率：",data_accuracy_score)

遇到的问题

1.虽然会使用sklearn简单的实现逻辑回归、SVM、决策树等等模型，但是各个模型里面的参数并没有完全理解（比如random_state,C等等参数）
2.模型评分中的AUC不理解什么意思，只知道需要试用版roc_auc_score（）函数，函数里面有两个参数，一个是测试标签，一个是预测标签的概率，但是预测标签的概率有两个值（标签为0的概率，标签为1的概率），到底应该使用那个概率值？