邏輯回歸：

　　是一種廣義的線性回歸分析模型

　　邏輯回歸針對的目標變量是類別型的，參數估值上，采用最大似然法。

　　分類問題可以轉換成概率的都是邏輯回歸的常見場景，如：

　　　　會不會逾期（風控）

　　　　會不會是流失客戶（會員運營）

　　　　會不會點擊（CTR預估、推薦系統(tǒng)、搜索）

　　優(yōu)點：模型簡單、可解釋性強

　　缺點：不能做特征交叉

代碼演示

需求：探究不同職業(yè)的人使用優(yōu)惠券的可能

1 數據預處理

注意：剔除異常值、處理缺失值，排除共線性問題

1.1 本文數據預覽

1.2 過采樣處理樣本不均衡問題處理

1.2.1 選定自變量 因變量

x = df[['job_admin.', 'job_blue-collar', 'job_entrepreneur',
        'job_housemaid', 'job_management', 'job_retired', 'job_self-employed',
        'job_services', 'job_student', 'job_technician', 'job_unemployed',
        'job_unknown']]
y = df['coupon_ind']

1.2.2 查看是否均衡，發(fā)現樣本不均衡

也可以使用 df.coupon_ind.value_counts() 來查看

1.2.3 進行過采樣處理

from imblearn.over_sampling import SMOTE
smo = SMOTE(random_state=11)
x, y= smo.fit_sample(x, y)

2 劃分訓練集、測試集

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(
    x, y, test_size=0.3, random_state=11)

3 邏輯回歸模型

from sklearn.linear_model import LogisticRegression
lr = LogisticRegression()
lr.fit(x_train, y_train)

# 回歸系數
lr.coef_
# 截距
lr.intercept_

4模型評估

4.1 使用模型進行預測

y_pred_train = lr.predict(x_train)
y_pred_test = lr.predict(x_test)

4.2 查看得分

from sklearn.metrics import accuracy_score
accuracy_score(y_train, y_pred_train)

4.3 查看召回率

from sklearn.metrics import auc, roc_curve
fpr, tpr, _ = roc_curve(y_train, y_pred_train)
roc_auc = auc(fpr,tpr)
roc_auc

總結

以上是生活随笔為你收集整理的逻辑回归 | 使用 sklearn.linear_model.LogisticRegression 预测不同职业的人优惠券使用情况的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。