本文实例讲述了Python基于Logistic回归建模计算某银行在降低贷款拖欠率的数据。分享给大家供大家参考，具体如下：
一、Logistic回归模型：
二、Logistic回归建模步骤
1.根据分析目的设置指标变量（因变量和自变量），根据收集到的数据进行筛选
2.用ln(p/1-p)和自变量x1...xp列出线性回归方程，估计出模型中的回归系数
3.进行模型检验。模型有效性检验的函数有很多，比如正确率、混淆矩阵、ROC曲线、KS值
4.模型应用。
三、对某银行在降低贷款拖欠率的数据进行建模
源代码为：
import pandas as pd filename=r'..\data\bankloan.xls' #导入数据路径 data=pd.read_excel(filename) #读取该excel文件 x=data.iloc[:,:8].as_matrix() #选取数据集中0-7行的数据，形成一个矩阵 y=data.iloc[:,8].as_matrix() from sklearn.linear_model import LogisticRegression as LR from sklearn.linear_model import RandomizedLogisticRegression as RLR rlr=RLR() rlr.fit(x,y) #训练模型 rlr.get_support() #获取特征筛选结果 print(u'通过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() #筛选好的特征 lr=LR() lr.fit(x,y) print(u'逻辑回归模型训练结束') print(u'模型的平均正确率：%s'%lr.score(x,y))
机器运行结果报错：
IndexError: boolean index did not match indexed array along dimension 0; dimension is 9 but corresponding boolean dimension is 8
解决办法：建立一个新的矩阵data2，去掉最后一行，使维数匹配。
修改后代码如下：
import pandas as pd filename=r'..\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() rlr.fit(x,y) rlr.get_support() print(u'通过逻辑回归模型筛选特征结束。') data2=data.drop(u'违约',1) print(u'有效特征为：%s'%','.join(data2.columns[rlr.get_support()])) x=data[data2.columns[rlr.get_support()]].as_matrix() lr=LR() lr.fit(x,y) print(u'逻辑回归模型训练结束') print(u'模型的平均正确率：%s'%lr.score(x,y))
机器运行结果：
更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数学运算技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》及《Python入门与进阶经典教程》
希望本文所述对大家Python程序设计有所帮助。