Python數據分析及可視化實例之銀行信用卡違約預測（24）

系列文章總目錄：Python數據分析及可視化實例目錄

1.項目背景：

銀行體系對於信用可違約進行預測，原始數據集如下：

2.分析步驟：

（1）數據清洗（Data Cleaning）

（2） 探索性可視化（Exploratory Visualization）

（3） 特徵工程（Feature Engineering）

（4）基本建模&評估（Basic Modeling& Evaluation）

3.源碼（公眾號：海豹戰隊）：

# coding: utf-8n# 親，轉載即同意幫推公眾號：海豹戰隊，嘿嘿......n# 數據源可關注公眾號：海報戰隊，後留言：數據nnimport pandas as pdnfilename = ../data/bankloan.xlsndata = pd.read_excel(filename)ndata.head()nx = data.drop(違約,axis=1) # 捨棄違約列進行訓練ny = data[違約] # y標籤為『違約』列n# y.unique()nfrom sklearn.linear_model import LogisticRegression as LRnfrom sklearn.linear_model import RandomizedLogisticRegression as RLR nrlr = RLR() #建立隨機邏輯回歸模型，篩選變數nrlr.fit(x, y) #訓練模型nrlr.get_support() #獲取特徵篩選結果，也可以通過.scores_方法獲取各個特徵的分數nprint(通過隨機邏輯回歸模型篩選特徵結束。)nprint(有效特徵為：%s % ,.join(x.columns[rlr.get_support()]))nx= x[x.columns[rlr.get_support()]] # 選擇有效特徵列進行模型訓練n#x.head()nlr = LR() #建立邏輯回歸模型nlr.fit(x, y) #用篩選後的特徵數據來訓練模型nprint(邏輯回歸模型訓練結束。)nprint(模型的正確率為：%s % lr.score(x, y)) #給出模型的平均正確率，本例為81.4%nlr.predict([[10,6,17.3,1.362202]]) # 挑第二個人給預測一下nlr.predict([[10,6,17.3,10.362202]])# 提高第二個人的負債再預測，自己看看差別nn# 建議以上代碼在jupyter notebook 分段執行，查看結果。n

膠水語言博大精深，

本主只得一二為新人帶路，

老鳥可去另一專欄：Python中文社區

新手可查閱歷史目錄：

Python數據分析及可視化實例目錄

最後，別只收藏不關注哈

推薦閱讀：