建立银行分控模型

2022-03-28 09:01:55 阅读：266 来源： 互联网

标签：plt cm 模型 yp 银行分控 import model data

cm_plot 函数代码

def cm_plot(y, yp):
  
  from sklearn.metrics import confusion_matrix #µ¼Èë»ìÏý¾ØÕóº¯Êý

  cm = confusion_matrix(y, yp) #»ìÏý¾ØÕó
  
  import matplotlib.pyplot as plt #µ¼Èë×÷Í¼¿â
  plt.matshow(cm, cmap=plt.cm.Greens) #»»ìÏý¾ØÕóÍ¼£¬ÅäÉ«·ç¸ñÊ¹ÓÃcm.Greens£¬¸ü¶à·ç¸ñÇë²Î¿¼¹ÙÍø¡£
  plt.colorbar() #ÑÕÉ«±êÇ©
  
  for x in range(len(cm)): #Êý¾Ý±êÇ©
    for y in range(len(cm)):
      plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
  
  plt.ylabel('True label') #×ø±êÖá±êÇ©
  plt.xlabel('Predicted label') #×ø±êÖá±êÇ©
  return plt

基于神经网络算法进行分析

#导入库
import pandas as pd
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from sklearn.linear_model import LogisticRegression as LR
import numpy as np


#读取数据
data = pd.read_excel("D:\lysim\大学\数据挖掘\data\bankloan.xls")
x = data.iloc[:,:8].values
y = data.iloc[:,8].values

#建立模型
model = Sequential()
model.add(Dense(input_dim = 8, units = 16))
model.add(Activation('relu'))  #用relu函数作为激活函数，能够大幅提供准确度
model.add(Dense(input_dim = 16, units = 1))
model.add(Activation('sigmoid'))  #由于是0-1输出，用sigmoid函数作为激活函数
model.compile(loss = 'mean_squared_error', optimizer = 'adam')
#编译模型。由于我们做的是二元分类，所以我们指定损失函数为binary_crossentropy，以及模式为binary
#另外常见的损失函数还有mean_squared_error、categorical_crossentropy等，请阅读帮助文件。
#求解方法我们指定用adam，还有sgd、rmsprop等可选
model.fit(x, y, epochs = 100, batch_size = 10)  #训练模型

#损失值
score  = model.evaluate(x,y,batch_size=128)  #模型评估
print("分类预测损失值：",score)

lr = LR()  # 建立逻辑回归模型

lr.fit(x, y)  # 用筛选后的特征数据来训练模型


print('模型的平均准确度为：%s' % lr.score(x, y))
#分类
yp = model.predict(x).reshape(len(y))  # 分类预测
yp = yp.astype(np.int32)

#画出混淆矩阵图
print("混淆矩阵图：\n")
from cm_plot import *  # 导入自行编写的混淆矩阵可视化函数

cm_plot(y,yp).show()  # 显示混淆矩阵可视化结果

ID3决策树算法分析

import pandas as pd


# 参数初始化


filename = "D:\lysim\大学\数据挖掘\data\bankloan.xls"


data = pd.read_excel(filename) # 导入数据


x = data.iloc[:,:8].astype(int)


y = data.iloc[:,8].astype(int)


from sklearn.tree import DecisionTreeClassifier as DTC


dtc = DTC(criterion='entropy')  # 建立决策树模型，基于信息熵


dtc.fit(x, y)  # 训练模型

# 导入相关函数，可视化决策树。


# 导出的结果是一个dot文件，需要安装Graphviz才能将它转换为pdf或png等格式。


from sklearn.tree import export_graphviz


x = pd.DataFrame(x)



with open("tree.dot", 'w') as f:


    export_graphviz(dtc, feature_names = x.columns, out_file = f)


    f.close()



from IPython.display import Image


from sklearn import tree


import pydotplus


dot_data = tree.export_graphviz(dtc, out_file=None,  #regr_1 是对应分类器


                         feature_names=data.columns[:8],   #对应特征的名字


                         class_names=data.columns[8],    #对应类别的名字


                         filled=True, rounded=True,


                         special_characters=True)


graph = pydotplus.graph_from_dot_data(dot_data)


graph.write_png('example.png')    #保存图像


Image(graph.create_png())

import matplotlib.pyplot as plt

img = plt.imread('example.png')

fig = plt.figure('show picture')

plt.imshow(img)

标签：plt,cm,模型,yp,银行,分控,import,model,data
来源： https://www.cnblogs.com/Lysim/p/16065527.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。

ICode9

建立银行分控模型