技术 | 使用Python来学习数据科学的完整教程

and target.

model.fit(train_predictors, train_target)

#Record error from each cross-validation run

error.append(model.score(data[predictors].iloc[test,:],data[outcome].iloc[test]))

print "Cross-Validation Score : %s" % "{0:.3%}".format(np.mean(error))

#Fit the model again so that it can be refered outside the function:

model.fit(data[predictors],data[outcome])

逻辑回归

我们来做第一个逻辑回归模型。一种办法是将所有变量都放入模型中，但这可能会导致过拟合。简单来说，模型采取所有变量，有可能懂得数据的特定的复杂关系，并不克不及很好地推广。

我们可以很轻易地做出一些直不雅的假设，获得贷款的机会会更高：

应用Python来进行数据分析的原因有很多，以前一段时光经由过程比较SAS和R，有以下几点来由：

开源免费
强大年夜社区支撑
易学
成为数据科学和web产品分析的通用说话

1.具有信用记录的申请人

2.具有较高申请收入和综合收入的申请人

3.高等教导程度的申请人

4.具有高增长前景的城市地产

我们用’Credit_History’做我们的第一个模型。

outcome_var = 'Loan_Status' 
 
model = LogisticRegression() 
 
predictor_var = ['Credit_History'] 
 
classification_model(model, df,predictor_var,outcome_var)

精确度：80.945%，交叉验证得分：80.946%

df.boxplot(column='ApplicantIncome', by = 'Education')

#We can try different combination of variables: 
 
predictor_var = ['Credit_History','Education','Married','Self_Employed','Property_Area'] 
 
classification_model(model, df,predictor_var,outcome_var)

精确度：80.945%交叉验证得分：80.946%

一般来说，我们期望经由过程增长变量数量来进步精确度，但这是一个更具挑衅性的案例，精确度和交叉验证得分不受重要性较小的变量的影响。信用汗青是主导模式。我们如今有两个选择：

1.特点工程：发掘新信息，尝尝试猜测。这个留给大年夜家去发挥创造力。

2.更好的建模技巧。接下来我们来商量一下。

决定计划树

决定计划树是构建猜测模型的另一种办法，平日比逻辑回归模型具有更高的精度。

model = DecisionTreeClassifier() 
 
predictor_var = ['Credit_History','Gender','Married','Education'] 
 
classification_model(model, df,predictor_var,outcome_var)

精确度：81.930%，交叉验证得分：76.656%

这里，基于分类变量的模型不会受信用汗青产生影响。我们来测验测验几个数值型变量：

精确度：92.345%交叉验证得分：71.009%

table = df.pivot_table(values='LoanAmount', index='Self_Employed' ,columns='Education', aggfunc=np.median) 
 
# Define function to return value of this pivot_table 
 
def fage(x): 	
			 8/10   首页 上一页 6 7 8 9 10 下一页 尾页	
			

　　推荐阅读
　　JavaScript操作DOM的那些坑
scrollTop为滚动条向下移动的距离，所有浏览器都支撑document.documentElement。
            【技巧沙龙】AI开辟者拭魅战营-7分钟打造1个定制技能。7月22号，我们等你一路！

            js在操作DOM中存在着很多>>>详细阅读


本文标题：技术 | 使用Python来学习数据科学的完整教程
地址：http://www.17bianji.com/lsqh/36300.html
 1/2    1