标签：plt cm 模型 学习 test train 数据挖掘 import model

银行风险控制模型

逻辑回归模型~sklearn：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

inputfile = 'E:\\pydata\\data\\bankloan.xls'
data = pd.read_excel(inputfile)
X = data.drop(columns='违约')
y = data['违约']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)

model = LogisticRegression()
model.fit(X_train, y_train)

y_pred = model.predict(X_test)
#print('预测值'+y_pred+'\n')

score = accuracy_score(y_pred, y_test)
#print('准确率'+score+'\n')

def cm_plot(y, y_pred):
  from sklearn.metrics import confusion_matrix #导入混淆矩阵函数
  cm = confusion_matrix(y, y_pred) #混淆矩阵
  import matplotlib.pyplot as plt #导入作图库
  plt.matshow(cm, cmap=plt.cm.Greens) #画混淆矩阵图，配色风格使用cm.Greens，更多风格请参考官网。
  plt.colorbar() #颜色标签
  for x in range(len(cm)): #数据标签
    for y in range(len(cm)):
      plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
  plt.ylabel('True label') #坐标轴标签
  plt.xlabel('Predicted label') #坐标轴标签
  plt.show()
  return plt

cm_plot(y_test, y_pred)   #画混淆矩阵

BP神经网络~Keras：

import pandas as pd
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.layers import  Activation, Dense, Dropout

inputfile = 'E:\\pydata\\data\\bankloan.xls'
data = pd.read_excel(inputfile)
X = data.drop(columns='违约')
y = data['违约']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)



model = Sequential()
model.add(Dense(64,input_dim=8,activation='relu'))
# Drop防止过拟合的数据处理方式
model.add(Dropout(0.5))
model.add(Dense(64,activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1,activation='sigmoid'))
 
# 编译模型，定义损失函数，优化函数，绩效评估函数
model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
 
# 导入数据进行训练
model.fit(X_train,y_train,epochs=200,batch_size=128)
 
# 模型评估
score  = model.evaluate(X_test,y_test,batch_size=128)
print(score)


def cm_plot(y, y_pred):
  from sklearn.metrics import confusion_matrix #导入混淆矩阵函数
  cm = confusion_matrix(y, y_pred) #混淆矩阵
  import matplotlib.pyplot as plt #导入作图库
  plt.matshow(cm, cmap=plt.cm.Greens) #画混淆矩阵图，配色风格使用cm.Greens，更多风格请参考官网。
  plt.colorbar() #颜色标签
  for x in range(len(cm)): #数据标签
    for y in range(len(cm)):
      plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
  plt.ylabel('True label') #坐标轴标签
  plt.xlabel('Predicted label') #坐标轴标签
  plt.show()
  return plt


yp = model.predict(X_test)  # 分类预测
yp[yp>0.5]=1
yp[yp<=0.5]=0
cm_plot(y_test, yp)

标签：plt,cm,模型,学习,test,train,数据挖掘,import,model
来源： https://www.cnblogs.com/qq1294/p/16064385.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。