Python数据分析与机器学习17- 逻辑回归项目实战1-案例背景和目标

一. 数据源介绍

1.1 数据源特征介绍

Time: 交易时间
V1-V28: 28个特征值，考虑信息安全，都进行了处理
Amout: 交易金额
class : 0代表正常，1代表异常

1.2 数据源分布情况概述

代码:

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

data = pd.read_csv("E:/file/creditcard.csv")

# 直接使用pandas进行画图
count_classes = pd.value_counts(data['Class'], sort = True).sort_index()
count_classes.plot(kind = 'bar')
plt.title("Fraud class histogram")
plt.xlabel("Class")
plt.ylabel("Frequency")

print(count_classes)
plt.show()

测试记录:
0 284315
1 492

结论:
我们可以看到 正常的交易数据有2.8w左右数据，异常的交易数据有492，与真实情况类似。

二. 目标

我们需要通过分析样例数据，通过逻辑回归构建一个模型，对新增的交易数据进行预测，如果觉得是可疑的数据，则进行提醒。

参考：

1. https://study.163.com/course/introduction.htm?courseId=1003590004#/courseDetail?tab=1