「Python 数据化运营」回归分析分类回归日常总结

深碍√TFBOYSˉ_ 2022-09-07 10:00 256阅读 0赞

### 文章目录 ###

*  内容介绍
 *  一般应用场景
 *  分类回归的常用方法
 *  分类回归实现
 *  分类回归评估指标
 *  分类回归效果可视化
 *  数据预测

# 内容介绍 #

以 **Python** 使用 **分类回归** 简单举例应用介绍分类分析。

**分类回归** 分类问题是用于将事物打上一个标签，通常结果为离散值。例如判断一幅图片上的动物是一只猫还是一只狗，分类通常是建立在回归之上，分类的最后一层通常要使用softmax函数进行判断其所属类别。分类并没有逼近的概念，最终正确结果只有一个，错误的就是错误的，不会有相近的概念。最常见的分类方法是逻辑回归，或者叫逻辑分类。

# 一般应用场景 #

**连续性数据的预测**：例如用户群体分类预测，天气情况的分类预测等等

简单来说就是用历史的连续数据去预测未来的类别标志。

# 分类回归的常用方法 #

逻辑回归分类、贝叶斯岭回归分类、支持向量机回归分类等。

# 分类回归实现 #

import numpy as np  # 导入numpy库
    from sklearn.model_selection import train_test_split  # 数据分区库
    from sklearn.linear_model import LogisticRegression # 导入逻辑回归模型
    from sklearn.metrics import accuracy_score, auc, confusion_matrix, f1_score, precision_score, recall_score,roc_curve  # 导入指标库
    import prettytable  # 导入表格库
    import pydotplus  # 导入dot插件库
    import matplotlib.pyplot as plt  # 导入图形展示库
    import random
    
    # 随机生成100组包含3组特征的数据
    feature = [[random.random(),random.random(),random.random(),random.random()] for i in range(100)]
    label = [int(random.randint(0,1)) for i in range(100)]
    # 将数据分为训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(feature, label, test_size=.3, random_state=0)

# 分类回归评估指标 #

# 训练分类模型
    model_lg = LogisticRegression(random_state=0)  # 建立决策树模型对象
    model_lg.fit(X_train, y_train)  # 训练决策树模型
    pre_y = model_lg.predict(X_test)  # 使用测试集做模型效果检验
    
    # 输出模型概况
    n_samples, n_features = X.shape  # 总样本量,总特征数
    print ('样本数: %d \t 特征数 %d' % (n_samples, n_features))  # 打印输出样本量和特征数量
    
    # 混淆矩阵
    confusion_m = confusion_matrix(y_test, pre_y)  # 获得混淆矩阵
    confusion_matrix_table = prettytable.PrettyTable()  # 创建表格实例
    confusion_matrix_table.add_row(confusion_m[0, :])  # 增加第一行数据
    confusion_matrix_table.add_row(confusion_m[1, :])  # 增加第二行数据
    print ('混淆矩阵')
    print (confusion_matrix_table)  # 打印输出混淆矩阵

![在这里插入图片描述][1abb3a23dfe8431a9a6aeab0f19e143b.png]

# 核心评估指标
    y_score = model_lg.predict_proba(X_test)  # 获得决策树的预测概率
    fpr, tpr, thresholds = roc_curve(y_test, y_score[:, 1])  # ROC
    auc_s = auc(fpr, tpr)  # AUC
    accuracy_s = accuracy_score(y_test, pre_y)  # 准确率
    precision_s = precision_score(y_test, pre_y)  # 精确度
    recall_s = recall_score(y_test, pre_y)  # 召回率
    f1_s = f1_score(y_test, pre_y)  # F1得分
    core_metrics = prettytable.PrettyTable()  # 创建表格实例
    core_metrics.field_names = ['auc', 'accuracy', 'precision', 'recall', 'f1']  # 定义表格列名
    core_metrics.add_row([auc_s, accuracy_s, precision_s, recall_s, f1_s])  # 增加数据
    print ('评估指标')
    print (core_metrics)  # 打印输出核心评估指标

![在这里插入图片描述][40d0cf7a215f4442a813570e3fc6fe05.png]

# 分类回归效果可视化 #

# 模型效果可视化
    names_list = ['age', 'gender', 'income', 'rfm_score']  # 分类模型维度列表
    color_list = ['r', 'c', 'b', 'g']  # 颜色列表
    plt.figure()  # 创建画布
    # 子网格1：ROC曲线
    plt.subplot(1, 2, 1)  # 第一个子网格
    plt.plot(fpr, tpr, label='ROC')  # 画出ROC曲线
    plt.plot([0, 1], [0, 1], linestyle='--', color='k', label='random chance')  # 画出随机状态下的准确率线
    plt.title('ROC')  # 子网格标题
    plt.xlabel('false positive rate')  # X轴标题
    plt.ylabel('true positive rate')  # y轴标题
    plt.legend(loc=0)
    # 子网格2：指标重要性
    feature_importance = model_lg.coef_ # 获得指标重要性
    plt.subplot(1, 2, 2)  # 第二个子网格
    plt.bar(np.arange(feature_importance.shape[1]), abs(feature_importance[0]), tick_label=names_list, color=color_list)  # 画出条形图
    plt.title('feature importance')  # 子网格标题
    plt.xlabel('features')  # x轴标题
    plt.ylabel('importance')  # y轴标题
    plt.suptitle('classification result')  # 图形总标题
    plt.show()  # 展示图形

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]

# 数据预测 #

# 模型应用
    X_new = [[40, 0, 55616, 0], [17, 0, 55568, 0], [55, 1, 55932, 1]]
    
    print ('分类预测')
    for i, data in enumerate(X_new):
        y_pre_new = model_tree.predict(np.array(data).reshape(1,-1))
        print ('分类预测数据组 %d 结果为: %d' % (i + 1, y_pre_new))

![在这里插入图片描述][fffb1309eb6a4f2d87b63ba01901c9f6.png]

[1abb3a23dfe8431a9a6aeab0f19e143b.png]: /images/20220829/f2a32d21004943889a77dd634aa7970e.png
[40d0cf7a215f4442a813570e3fc6fe05.png]: /images/20220829/4a43feffbfbe4ded98cfa985003acae7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]: /images/20220829/f2a6328f185b4c7f888114389c28e496.png
[fffb1309eb6a4f2d87b63ba01901c9f6.png]: /images/20220829/917995e0f686415ca8ce61d8c9f08ec5.png