數(shù)據(jù)

data_all.csv文件是非原始數(shù)據(jù)，已經(jīng)處理過了。數(shù)據(jù)是金融數(shù)據(jù), 我們要做的是預(yù)測貸款用戶是否會逾期。表格中, status是標(biāo)簽: 0表示未逾期, 1表示逾期。

任務(wù)——模型構(gòu)建

給定數(shù)據(jù)集，數(shù)據(jù)三七分，隨機種子2018。（在任務(wù)1中什么都不用考慮，即不需數(shù)據(jù)處理和模型調(diào)參）
調(diào)用sklearn的包，簡單構(gòu)建邏輯回歸、SVM和決策樹3個模型，評分方式任意（e.g. 準(zhǔn)確度和auc值）。

一、相關(guān)庫

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.svm import SVC from sklearn.tree import DecisionTreeClassifier

二、數(shù)據(jù)讀取與劃分

由于數(shù)據(jù)中，status的列為標(biāo)簽，且status列不是第一列和最后一列。==》訓(xùn)練集如何便捷獲取？？？
==》使用 pandas 的 drop 函數(shù)獲取訓(xùn)練集。

## 讀取數(shù)據(jù) data = pd.read_csv("data_all.csv") y = data['status'] x = data.drop(labels='status', axis=1) ## 數(shù)據(jù)集劃分 x_train, x_test, y_train, y_test = train_test_split(x, y,test_size=0.3,random_state=2018) print(len(x)) # 4754

1、drop() 函數(shù)

drop() 函數(shù)用于刪除表中的某一行或某一列，它不改變原有的dataframe中的數(shù)據(jù)，而是返回另一個dataframe來存儲刪除后的數(shù)據(jù)。

（1）drop函數(shù)的使用：刪除行、刪除列

drop函數(shù)默認刪除行，列需要加axis = 1

print frame.drop(['a']) print frame.drop(['Ohio'], axis = 1)

（2）drop函數(shù)的使用：inplace參數(shù)

inplace參數(shù)默認為False，若 inplace=True 表示原數(shù)組直接就被替換。也就是說，采用inplace=True之后，原數(shù)組名（如2和3情況所示）對應(yīng)的內(nèi)存值直接改變；

而采用inplace=False之后，原數(shù)組名對應(yīng)的內(nèi)存值并不改變，需要將新的結(jié)果賦給一個新的數(shù)組或者覆蓋原數(shù)組的內(nèi)存位置。

## 下面三種方式等價 DF= DF.drop('column_name', axis=1)； DF.drop('column_name',axis=1, inplace=True) DF.drop([DF.columns[[0,1, 3]]], axis=1, inplace=True) # Note: zero indexed

三、模型構(gòu)建與評估

基本流程：模型構(gòu)建model；model.fit()；model.score()

## 邏輯回歸模型 lr = LogisticRegression(random_state=2018) lr.fit(x_train,y_train) score1 = lr.score(x_test,y_test) print(score1)## SVM模型 svm = SVC(random_state=2018) svm.fit(x_train,y_train) score2 = svm.score(x_test, y_test) print(score2)## 決策樹模型 dt = DecisionTreeClassifier(random_state=2018) dt.fit(x_train, y_train) score3 = dt.score(x_test,y_test) print(score3)

疑問：使用SVM和線性回歸測出得準(zhǔn)確率一模一樣？

總結(jié)

以上是生活随笔為你收集整理的金融贷款逾期的模型构建1的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。