Python金融数据分析与挖掘（微课版） 课件 5-3.逻辑回归.pptx

第5章机器学习与实现逻辑回归模型逻辑回归模型应用举例

逻辑回归第5章线性回归模型处理的因变量是数值型变量。然而在许多实际问题中，我们需要研究的因变量y不是数值型变量，而是名义变量或者分类变量，如0、1变量问题。逻辑回归模型是使用一个函数来归一化y值，使y的取值在区间（0,1）内，这个函数称为Logistic函数，公式如下：其中这样就将线性回归预测问题转化为一个概率问题，一般以0.5为界，如果预测值大于0.5，我们判断此时y更可能为1，否则为y=0

逻辑回归应用举例第5章取UCI公共测试数据库中的澳大利亚信贷批准数据集作为本例的数据集，该数据集共有14个特征，1个分类标签y（1—同意贷款，0—不同意贷款），共690个申请者记录。x1x2x3x4x5x6x7x8x9x10x11x12x13x14y122.0811.462441.5850001210012130022.6772840.1650000216010029.581.751441.250001228010021.6711.51530111112011120.178.172641.96111402601591015.830.5852881.51120210011117.426.52340.12500002601010058.674.4621183.0411602435611……以前600个申请者作为训练数据，后90个申请者作为测试数据，利用逻辑回归模型预测准确率。

逻辑回归应用举例第5章1．数据获取importpandasaspddata=pd.read_excel(credit.xlsx)2．训练样本与测试样本划分训练用的特征数据用x表示，预测变量用y表示，测试样本则分别记为x1和y1。x=data.iloc[:600,:14]y=data.iloc[:600,14]x1=data.iloc[600:,:14]y1=data.iloc[600:,14]

逻辑回归应用举例第5章（1）导入逻辑回归模块（简称LR）。fromsklearn.linear_modelimportLogisticRegressionasLR（2）利用LR创建逻辑回归对象lr。lr=LR()（3）调用lr中的fit()方法进行训练。lr.fit(x,y)（4）调用lr中的score()方法返回模型准确率。r=lr.score(x,y);#模型准确率（针对训练数据）（5）调用lr中的predict()方法，对测试样本进行预测，获得预测结果。R=lr.predict(x1)3．逻辑回归分析

逻辑回归应用举例第5章逻辑回归分析完整示例代码如下：importpandasaspddata=pd.read_excel(credit.xlsx)x=data.iloc[:600,:14]y=data.iloc[:600,14]x1=data.iloc[600:,:14]y1=data.iloc[600:,14]fromsklearn.linear_modelimportLogisticRegressionasLRlr=LR()#创建逻辑回归模型类lr.fit(x,y)#训练数据r=lr.score(x,y);#模型准确率（针对训练数据）R=lr.predict(x1)Z=R-y1Rs=len(Z[Z==0])/len(Z)print(预测结果为：,R)print(预测准确率为：,Rs)预测结果为：[011110010110001100010110111010001001000101101010111001001000101100010011010001010110110110]预测准确率为：0.8333333333333334