本文介绍了使用逻辑回归、支持向量机（SVM）和随机森林进行数据挖掘建模的过程。在逻辑回归中，通过训练和预测，评估了模型在训练和测试集上的准确率。在SVM部分，利用PCA和GridSearchCV进行了特征降维和参数调优，并计算了精度、召回率和F1分数。最后，通过调整随机森林的参数，得到了训练和测试集的准确率。
任务3 - 建模
用逻辑回归、svm和决策树；随机森林和XGBoost进行模型构建，评分方式任意，如准确率等。（不需要考虑模型调参）
一、 使用逻辑回归
from sklearn.linear_model import SGDClassifier
1 初始化模型
log_reg = SGDClassifier(loss='log',penalty='l2',max_iter = 200)
2 训练
log_reg.fit(X_train, y_train)
3 预测
y_pred_lgr = log_reg.predict_proba(X_test)
print (y_pred_lgr[:5])
4 评估
from sklearn.metrics import accuracy_score
from sklearn.metrics import precision_recall_fscore_support
from sklearn.metrics import classification_report,confusion_matrix
最低0.47元/天 解锁文章
扫一扫
452
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
