机器学习基本模型与算法在线实验闯关

第4关：逻辑回归模型及其应用

任务描述

本关任务：以澳大利亚信贷批准数据集为本关数据集，划分前600为训练数据集，后90数据为测试数据集，利用逻辑回归模型预测及输出准确率。

相关知识

为了完成本关任务，你需要掌握：1.如何读取数据集，2.如何准确划分训练和测试数据集，3.如何利用逻辑回归进行预测及准确率的输出。

读取数据集

读取数据集是个基本功，导入pandas包，进行数据读取 示例如下：

1. import pandas as pd
2. df=pd.read_excel('数据集')

划分训练和测试数据集

划分数据集，就是将数据集分成两部分，我们可以考虑用切片实现数据集的划分。需要注意的是数据的划分需要分开特征数据和预测变量。列如，训练用的特征数据集用x表示，预测数据用y表示，测试数据则用x1,y1。 示例如下：

1. x=df.iloc[:600,:15].values
2. y=df.iloc[:600,15].values
3. x1=df.iloc[600:,:15].values
4. y1=df.iloc[600:,15].values

如何利用逻辑回归模型预测及准确率分析

1.导入逻辑回归模型板块命名为LR 2.利用逻辑回归模型创建对象lr 3.调用对象中的fit（）的方法将训练数据的特征数据和预测变量进行拟合 4.调用对象中的score()方法返回模型准确率。 5.调用对象中的predict()方法，对测试样本进行预测，获得预测结果。

1. #导入逻辑回归模型
2. from sklearn.linear_model import LogisticRegression as LR
3. lr = LR()
4. lr.fit(训练的特征数据,训练的预测变量)
5. r=lr.score(训练的特征数据,训练的预测变量)
6. R=lr.predict(预测的特征数据)
7. Z=R-预测的预测变量
8. Rs=len(Z[Z==0])/len(Z)
9. print('模型准确率为：',r)
10. print('预测准确率为：',Rs)

编程要求

根据提示，在右侧编辑器完善代码，得到结果。

测试说明

平台会对你编写的代码进行测试。 开始你的任务吧，祝你成功！

---

任务代码

#********** Begin **********#
#在上一关基础，对经过缺失值填充、数值变量标准化后的数据集，取前600条记录作为训练数据，后90条记录作为测试数据
#构逻辑回归模型，返回计算结果模型准确率rv和预测准确率r
def return_values():
    from sklearn.linear_model import LogisticRegression as LR
    import numpy as np
    import warnings 
    # 忽略收敛警告
    warnings.filterwarnings("ignore")
    X1=np.load('X1.npy') #经过缺失值填充、数值变量标准化后的数据集，numpy数组690*15
    Y=np.load('Y.npy')   #因变量，numpy数组，690个元素
    x = X1[:600,:]     
    y = Y[:600]
    x1 = X1[600:,:]     
    y1 = Y[600:]
    lr = LR()  
    lr.fit(x,y) 
    rv=lr.score(x,y)
    R=lr.predict(x1)
    Z=R-y1
    r=len(Z[Z==0])/len(Z)
    #print('模型准确率为：',r)
    #print('预测准确率为：',r)
    return(rv,r)

#********** End **********#

---

print的注释不要删掉否则通过不了，这是print的结果

模型准确率为： 0.8666666666666667
预测准确率为： 0.8666666666666667