python数据分析（6）——挖掘建模（1）分类与预测

经过数据探索与数据预处理，得到了可以直接建模的数据.根据挖掘目标与数据形式可以建立分类与预测、聚类分析、关联规则、时序模式和偏差检测等模型。

分类与预测问题是预测问题的两种主要的类型，分类主要是预测分类标号（基于离散属性的），而预测是建立连续值函数模型，预测给定自变量对应的因变量的值。

一、实现过程

1.1 分类

分类属于有监督学习的范畴，大致上的意思就是我们可以将样本数据分成几个类别，将我们的数据与我们的类别相互对应。

1.2 预测

预测是指建立两种或者两种以上变量之间相互依赖的函数模型，然后进行预测或者控制。

1.3 实现过程

二、常用的预测和分类方法

三、回归分析

主要回归模型分类

3.1 Logistic回归分析介绍

3.1.1 Logistic函数

3.1.2 Logistic回归模型

3.1.3 Logistic回归模型解释

3.2 Logistic回归建模步骤

```python

- - coding: utf-8 - -

逻辑回归自动建模

import pandas as pd

参数初始化

filename = 'bankloan.xls' data = pd.read_excel(filename) x = data.iloc[:,:8].as_matrix() y = data.iloc[:,8].as_matrix()

from sklearn.linear_model import LogisticRegression as LR from sklearn.linear_model import RandomizedLogisticRegression as RLR rlr = RLR() #建立随机逻辑回归模型，筛选变量 rlr.fit(x, y) #训练模型 rlr.get_support() #获取特征筛选结果，也可以通过.scores_方法获取各个特征的分数 print(u'通过随机逻辑回归模型筛选特征结束。') print(u'有效特征为：%s' % ','.join(data.columns[rlr.get_support(indices=True)])) x = data[data.columns[rlr.get_support(indices=True)]].as_matrix() #筛选好特征

lr = LR() #建立逻辑货柜模型 lr.fit(x, y) #用筛选后的特征数据来训练模型 print(u'逻辑回归模型训练结束。') print(u'模型的平均正确率为：%s' % lr.score(x, y)) #给出模型的平均正确率，本例为81.4% ```

四、决策树

决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。

决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。

4.1 ID3算法简介及基本原理

显然E（A）越小，Gain(A)的值越大，说明选择测试属性A对于分类提供的信息越大，选择A之后对分类的不确定程度越小。

4.2 ID3算法具体流程

对当前样本集合，计算所有属性的信息增益
选择信息增益最大的属性作为测试属性，把测试属性取值相同的样本划为同一个子样本集
若子样本集的类别属性只含有单个属性，则分支为叶子节点，判断其属性值并标上相应的符号，然后返回调用处；否则对子样本递归调用本算法。

```python

- - coding: utf-8 - -

使用ID3决策树算法预测销量高低

import pandas as pd

参数初始化

inputfile = 'sales_data.xls' data = pd.read_excel(inputfile, index_col = u'序号') #导入数据

数据是类别标签，要将它转换为数据

用1来表示“好”、“是”、“高”这三个属性，用-1来表示“坏”、“否”、“低”

data[data == u'好'] = 1 data[data == u'是'] = 1 data[data == u'高'] = 1 data[data != 1] = -1 x = data.iloc[:,:3].as_matrix().astype(int) y = data.iloc[:,3].as_matrix().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) from sklearn.externals.six import StringIO x = pd.DataFrame(x) with open("tree.dot", 'w') as f: f = export_graphviz(dtc, feature_names = x.columns, out_file = f) ```

五、人工神经网络

人工神经模型

激活函数

人工神经算法

BP算法学习流程

例子如下：（用神经网络算法预测销量高低）

```python

- - coding: utf-8 - -

使用神经网络算法预测销量高低

import pandas as pd

参数初始化

inputfile = 'sales_data.xls' data = pd.read_excel(inputfile, index_col = u'序号') #导入数据

数据是类别标签，要将它转换为数据

用1来表示“好”、“是”、“高”这三个属性，用0来表示“坏”、“否”、“低”

data[data == u'好'] = 1 data[data == u'是'] = 1 data[data == u'高'] = 1 data[data != 1] = 0 x = data.iloc[:,:3].as_matrix().astype(int) y = data.iloc[:,3].as_matrix().astype(int)

from keras.models import Sequential from keras.layers.core import Dense, Activation

model = Sequential() #建立模型 model.add(Dense(input_dim = 3, output_dim = 10)) 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 = 10, output_dim = 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 = 'binary_crossentropy', optimizer = 'adam')