常用的分类与预测算法
- 回归分析
- 决策树
- 人工神经网络
- 贝叶斯网络
- 支持向量机
其中回归分析包括：
- 线性回归---自变量因变量线性关系，最小二乘法求解。
- 非线性回归--自变量因变量非线性关系，函数变换为线性关系，或非线性最小二乘方法求解。
- logistic回归--因变量一般有1和0两种取值，将因变量的取值范围控制再0-1范围内，表示取值为1的概率。
- 岭回归--要求自变量之间具有多重共线性，是一种改进最小二乘法的方法。
- 主成分回归--要求自变量之间具有多重共线性，是对最小二乘法的方法的改进，可以消除自变量间的多重共线性。
- 一般自变量和因变量之间存在线性关系的时候，就可以用线性回归的方法，而两者之间呈现的是某种曲线特性时，就用非线性回归，当自变量之间出现多重共线时，用最小二乘估计的回归系数不准确，则主要用岭回归和主成分回归法。
- 此处的logistics回归属于概率性非线性回归，对于二分类问题，y只有是否两个值，1和0，在自变量x1，x2，x3作用下y取值为是的概率为p，取值为否的概率为1-p。logistics回归 p=P(y=1|X)，取0概率是1-p，取1和取0的概率之比为p/1-p，成为事件的优势比odds，odds取对数得到Logistic变换Logit（p）=ln（p/1-p），再令Logit（p）=ln（p/1-p）=z ，则可以求出p=1/1+e^-z，则为Logistic函数。
logistics回归模型步骤
- 根据挖掘目的设置特征，并筛选特征x1，x2...xp,使用sklearn中的feature_selection库，F检验来给出特征的F值和P值，筛选出F大的，p小的值。RFE（递归特征消除）和SS（稳定性选择）
- 列出回归方程ln（p/1-p）=β0+β1x1+...+βpxp+e
- 估计回归系数
- 模型检验
- 预测控制
随机逻辑回归进行特征筛选，逻辑回归进行模型训练评估
#-*- coding: utf-8 -*-
#逻辑回归 自动建模
import pandas as pd
#参数初始化
filename = '../data/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()]))
x = data[data.columns[rlr.get_support()]].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))
逻辑回归模型训练结束。
模型的平均正确率为：0.805714285714
RandomizedLogisticRegression(C=1, fit_intercept=True, memory=None, n_jobs=1,
n_resampling=200, normalize=True, pre_dispatch='3*n_jobs',
random_state=None, sample_fraction=0.75, scaling=0.5,
selection_threshold=0.25, tol=0.001, verbose=False)
- 从结果来看，采用随机逻辑回归剔除变量，分别剔除了x2 x8 x1 x5。 在建立随机逻辑回归模型时， 使用了默认的阈值0.25，可以使用（selection—threshold = 0.5）设置阈值。逻辑回归本质上还是一种线性模型，因此所筛选出来的变量，说明与结果有比较强的线性相关，然而被剔除的变量不一定跟结果没关系，因为他们之间可能是非线性关系。
网友评论