多元线型回归案例-客户价值分析

 知识代码

# 一元多次线性回归代码实现

# 【1】导入资源包
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 【2】加载样本数据,核心是给x,y赋值
x = [[1], [2], [4], [5]]  #y = ax+b
y = [2,6,8,15]

#【2.1】多项式数据转变 y = ax^2+bx+c
from sklearn.preprocessing import PolynomialFeatures
pf = PolynomialFeatures(degree=2)
x2 = pf.fit_transform(x)
print(x2)


#【3】模型搭建
lr = LinearRegression()

#【4】模型训练
lr.fit(x2,y)

#【5】模型预测
res = lr.predict(pf.fit_transform([[10]]))
print(res)

#拓展
#【6】显示模型参数
print('回归系数:',str(lr.coef_))
print('截距:',str(lr.intercept_))
print('模型函数： y = ',str(lr.coef_[2]),'*x^2 +(',str(lr.coef_[1]),'*x) +',str(lr.intercept_))

#【7】样本及模型可视化
plt.scatter(x,y)
plt.plot(x,lr.predict(pf.fit_transform(x)))
# plt.plot(x,lr.predict(x2))
plt.show()

需求

客户价值分析。客户价值预测就是指客户未来一段时间能带来多少利润，其利润的来源可能 来自于信用卡的年费、取现手续费、分期手续费、境外交易手续费用等。而 分析出客户的价值后，在进行营销、电话接听、催收、产品咨询等各项服务 时，就可以针对高价值的客户进行区别于普通客户的服务，有助于进一步挖 掘这些高价值客户的价值，并提高这些高价值客户的忠诚度。

数据

客户价值数据表.xlsx

客户价值	历史贷款金额	贷款次数	学历	月收入	性别
1150	6488	2	2	9567	1
1157	5194	4	2	10767	0
1163	7066	3	2	9317	0
983	3550	3	2	10517	0
1205	7847	3	3	11267	1
1161	7214	3	2	9517	0
1522	6405	3	3	9767	1
1521	8208	4	2	11417	0
1211	5813	4	2	11167	1
1075	4752	3	3	9267	0
1354	6771	3	2	10767	0
1242	3652	2	2	9967	0
1029	4535	3	2	10167	0
1291	7528	3	3	11367	1
1792	8722	4	3	13567	1
1485	5326	4	2	9517	0
1496	8115	3	3	11567	1
864	5004	3	3	10567	0
1149	6652	2	2	9117	1
1689	8867	3	3	10217	1
1170	6292	3	2	9567	1
1175	7788	3	2	10617	0
942	4362	3	2	9067	0
1081	5534	3	2	9717	0
1591	8562	4	3	11667	0
1514	6092	4	3	12067	1
1383	9163	4	2	10617	0
1000	4272	3	2	9117	1
698	4170	2	2	8617	1
1910	9714	4	3	10817	1
1843	9537	4	3	11867	0
1144	5635	2	2	10267	1
1363	6722	3	3	11867	1
1416	5482	5	3	12017	1
1187	6578	2	2	10617	1
1208	6111	3	3	11017	0
1186	6000	2	2	10017	1
1500	9301	4	3	12717	1
1334	8317	3	2	9217	1
1097	4283	3	2	9317	1
1104	5576	2	2	8417	0
1357	5525	4	3	9817	0
1096	6253	2	2	10567	0
1558	4779	3	2	10217	1
1681	7752	3	3	10317	1
1037	5231	3	2	9667	1
1333	5485	2	3	10567	0
920	4474	3	2	10867	0
1183	6485	2	2	10517	0

代码

# 【1】导入资源包
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
import pandas as pd

# 【2】加载样本数据,核心是给x,y赋值

df = pd.read_excel('客户价值数据表.xlsx')
print(df.head())

# x = df.drop(columns='客户价值')
x = df[['历史贷款金额','贷款次数','学历','月收入']]
y = df['客户价值']


#【3】模型搭建
lr = LinearRegression()

#【4】模型训练
lr.fit(x,y)

#【5】模型预测
# res = lr.predict(pf.fit_transform([[10]]))
# print(res)

#拓展
#【6】显示模型参数
print('回归系数:',str(lr.coef_))
print('截距:',str(lr.intercept_))
print('模型函数： y = ',str(lr.coef_[2]),'*x^2 +(',str(lr.coef_[1]),'*x) +',str(lr.intercept_))

#【7】样本及模型可视化
# plt.scatter(x,y)
# plt.plot(x,lr.predict(pf.fit_transform(x)))
# # plt.plot(x,lr.predict(x2))
# plt.show()

#【8】模型评估
import statsmodels.api as sma
res = sma.OLS(y,sma.add_constant(x)).fit()
print(res.summary())