逻辑回归案例-股票客户流失模型

数据结构

代码实现

#逻辑回归代码实现
#【1】导入资源包
from  sklearn.linear_model import LogisticRegression
import pandas as pd

#【2】加载样本数据
df0 = pd.read_excel('股票客户流失.xlsx')
print(df0.head())
x = df0.drop(columns='是否流失')
# x = df0[['账户资金（元）','最后一次交易距今时间（天）','上月交易佣金（元）','累计交易佣金（元）',
#          '本券商使用时长（年）']]
y = df0['是否流失']

from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.2,random_state=1)

#【3】构建逻辑回归模型
lr = LogisticRegression()

#【4】模型训练
lr.fit(x_train,y_train)

#【5】模型预测
y_pred = lr.predict(x_test)
print(y_pred)

#拓展
#【6】输出概率值
y_pred_proba = lr.predict_proba(x_test)
print(y_pred_proba[:5])

df = pd.DataFrame(y_pred_proba,columns=['分类为0的概率','分类为1的概率'])
print(df.head())

#【7】输出回归系数
print('回归系数：',str(lr.coef_))
print('截距：',str(lr.intercept_))

#【8】准确度的预测
from  sklearn.metrics import accuracy_score
score = accuracy_score(y_test,y_pred)
print('score:',str(score))

#第二种准确度计算方式
score1 = lr.score(x_test,y_test)
print('score1:',str(score))

#显示对比实际值和预测值
df1 = pd.DataFrame()
df1['实际值'] = y_test
df1['预测值'] = y_pred
print(df1.head())

核心知识