《数据挖掘与机器学习》 课件4.2 构建电商平台用户购买预测.pptx

构建电商平台运输行为预测电商平台用户购买预测——逻辑回归

任务描述电商平台运输预测是一项非常重要的任务。坚持一切为了人民，通过预测用户的运输行为，电商平台可以更好地了解用户需求。然而，运输行为往往是一个难以捉摸的过程，不受规律和时间限制的影响，这给预测模型的建立带来了很大的挑战。本任务基于逻辑回归模型，从历史交互数据中学习运输行为的一般特征，预测下一个月用户可能会运输哪些品牌。将重点关注电商平台用户的运输行为，提高运输预测的准确率，优化平台的运营管理和商业决策，从而提高平台的竞争力和收益。

任务要求利用sklearn库建立逻辑回归模型。

逻辑回归模型

逻辑回归模型二分类问题是一种基本的分类问题，它涉及将数据样本分为两个不同的类别或标签中的一个。例如，将垃圾邮件与正常邮件分类、将肿瘤分为恶性和良性等都是二分类问题。在二分类问题中，通常将一个类别标记为“正例”（positive）和另一个标记为“反例”（negative）。分类模型的目标是学习如何将输入特征与相应的标签相关联，以便在新的未知数据上进行分类预测。

逻辑回归模型常用的二分类算法包括逻辑回归、决策树、随机森林等。这些算法在不同的数据集和应用场景中表现不同，因此，选择合适的算法以及进行适当的特征工程是进行二分类任务的重要部分。

逻辑回归模型在任务3.1的学习中已经介绍了线性回归的一般形式，给出了自变量x与因变量y成线性关系时所建立的函数关系。但是，现实场景中更多的情况y不是与x成线性关系，而是与x的某个函数成线性关系，此时需要引入广义线性回归模型。需要注意的是，逻辑回归虽然称作“回归”，但实际上是一种分类算法。该算法期望所有预测值都介于0~1之间。具体的分类方法为设定一个分类阈值，将预测结果y大于分类阈值的样本归为正类，反之归为反类。

逻辑回归模型逻辑回归虽然称作“回归”，但实际上是一种分类算法。该算法期望所有预测值都介于0~1之间。具体的分类方法为设定一个分类阈值，将预测结果y大于分类阈值的样本归为正类，反之归为反类。决策边界

逻辑回归模型假设函数如下式所示。 表示分类阈值参数集。 上式的图像如图所示，保证了所有函数值都介于[0,1]之间。Logstic函数如下式所示。

逻辑回归模型合并左边两式转为标准逻辑回归形式如左式所示。

逻辑回归模型建模步骤根据分析目的设置因变量和自变量，并进行属性筛选列出线性回归方程，估计回归系数模型检验模型预测

逻辑回归模型LogisticRegression类使用scikit-learn库中linear_model模块的LogisticRegression类可以建立逻辑回归模型，其语法格式如下。classsklearn.linear_model.LogisticRegression(penalty=l2,dual=False,tol=0.0001,C=1.0,fit_intercept=True,intercept_scaling=1,class_weight=None,random_state=None,solver=liblinear,max_iter=100,multi_class=ovr,verbose=0,warm_start=False,n_jobs=1)

逻辑回归模型LogisticRegression类常用参数及其说明penalty接收str。表示正则化选择参数，可选l1或l2。默认为l2solver接收str。表示优化算法选择参数，可选参数为newton-cg、lbfg、liblinear、sag，当penalty=l2时，4种都可选；当penalty=l1时，只能选liblinear。默认为liblinearmulti_class接收str。表示分类方式选择参数，可选ovr和multinomial。默认为ovr参数名称说明classsklearn.linear_model.LogisticRegression(penalty=l2,dual=False,tol=0.0001,C=1.0,fit_intercept=True,intercept_scaling=1,class_weight=None,random_state=None,solver=liblinear,max_iter=100,multi_class=ovr,verbose=0,warm_start=False,n_jobs=1)

逻辑回归模型LogisticRegression类常用参数及其说明class_weight接收balanced以及字典。表示类型权重参数，如对于因变量取值为