本文實例講述了Python基于Logistic回歸建模計算某銀行在降低貸款拖欠率的數據。分享給大家供大家參考，具體如下：

一、Logistic回歸模型：

二、Logistic回歸建模步驟

1.根據分析目的設置指標變量（因變量和自變量），根據收集到的數據進行篩選

2.用ln(p/1-p)和自變量x1...xp列出線性回歸方程，估計出模型中的回歸系數

3.進行模型檢驗。模型有效性檢驗的函數有很多，比如正確率、混淆矩陣、ROC曲線、KS值

4.模型應用。

三、對某銀行在降低貸款拖欠率的數據進行建模

源代碼為：

import pandas as pdfilename=r'../data/bankloan.xls' #導入數據路徑data=pd.read_excel(filename) #讀取該excel文件x=data.iloc[:,:8].as_matrix() #選取數據集中0-7行的數據，形成一個矩陣y=data.iloc[:,8].as_matrix()from sklearn.linear_model import LogisticRegression as LRfrom sklearn.linear_model import RandomizedLogisticRegression as RLRrlr=RLR()rlr.fit(x,y) #訓練模型rlr.get_support() #獲取特征篩選結果print(u'通過邏輯回歸模型篩選特征結束。')print(u'有效特征為：%s'%','.join(data.columns[rlr.get_support()]))x=data[data.columns[rlr.get_support()]].as_matrix() #篩選好的特征lr=LR()lr.fit(x,y)print(u'邏輯回歸模型訓練結束')print(u'模型的平均正確率：%s'%lr.score(x,y))

機器運行結果報錯：

IndexError: boolean index did not match indexed array along dimension 0; dimension is 9 but corresponding boolean dimension is 8

解決辦法：建立一個新的矩陣data2，去掉最后一行，使維數匹配。

修改后代碼如下：

import pandas as pdfilename=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 LRfrom sklearn.linear_model import RandomizedLogisticRegression as RLRrlr=RLR()rlr.fit(x,y)rlr.get_support()print(u'通過邏輯回歸模型篩選特征結束。')data2=data.drop(u'違約',1)print(u'有效特征為：%s'%','.join(data2.columns[rlr.get_support()]))x=data[data2.columns[rlr.get_support()]].as_matrix()lr=LR()lr.fit(x,y)print(u'邏輯回歸模型訓練結束')print(u'模型的平均正確率：%s'%lr.score(x,y))

機器運行結果：

更多關于Python相關內容感興趣的讀者可查看本站專題：《Python數學運算技巧總結》、《Python數據結構與算法教程》、《Python函數使用技巧總結》、《Python字符串操作技巧匯總》及《Python入門與進階經典教程》

希望本文所述對大家Python程序設計有所幫助。