python数据分析实战案例logistic_从零开始学Python【27】--Logistic回归（实战部分）...

往期精彩回顾

前言

基于上一期的理论知识，我们本期跟大家分享一下如何通过Python和R语言完成Logistic回归分类器的构建。大家都知道，Logistic模型主要是用来解决二元分类问题，通过构建分类器，计算每一个样本为目标分类的概率，一般而言，我们会将概率值0.5作为分类的阈值，即概率值P大于等于0.5时判别为目标分类，否则为另一种分类。

本次分享的数据是基于用户信息（年龄、性别和年收入）来判断其是否发生购买，数据来源于GitHub（文末有数据链接可供下载）。接下来，让我们看看Logistic模型是如何完成二分类问题的落地。本次分享会涉及模型的构建、测试集的预测及模型的验证三个方面。

数据查阅# ===== Python3 =====# 导入第三方包import pandas as pdimport numpy as npimport statsmodels.formula.api as smffrom sklearn.cross_validation import train_test_splitfrom sklearn import metricsfrom ggplot import *# 读取数据集purchase = pd.read_csv(r'E:\Jupyter\ML\Logistic-Regression-master\Social_Network_Ads.csv')# 查看数据类型purchase.dtypes# 查看各变量的缺失情况purchase.isnull().sum()

从上图结果可知，除Gender变量，其余变量均为数值型变量，那么待会再构建入模变量时，需要对Gender变量创建哑变量；一般在做数据探索时，需要检查各变量是否存在缺失的情况（如果缺失需要借助于删除法、替换法、插值法等完成缺失值的处理，具体可以参考文章【如何使用R语言解决可恶的脏数据】），很显然上面的结果并没有显示数据中含有缺失值。

变量处理# 对Gender变量作哑变量处理dummy = pd.get_dummies(purchase.Gender)# 为防止多重共线性，将哑变量中的Female删除dummy_drop = dummy.drop('Female', axis = 1)# 剔除用户ID和Gender变量purchase = purchase.drop(['User ID','Gender'], axis = 1)# 如果调用Logit类，需要给原数据集添加截距项purchase['Intercept'] = 1# 哑变量和原数据集合并model_data = pd.concat([dummy_drop,purchase], axis = 1)

model_data

上面所做的处理无非是构建哑变量，然后从哑变量中再剔除一个水平变量（这个非常重要，为了防止多重共线性）；同时还要剔除没有意义的变量User ID和不再使用的Gender变量（因为已经拆分为哑变量了）。OK，整理之后的数据集就如上图所示，接下来我们要基于这个数据集进行Logistic模型的创建。

Logistic模型# 将数据集拆分为训练集和测试集X = model_data.drop('Purchased', axis = 1)

y = model_data['Purchased']# 训练集与测试集的比例为75%和25%X_train, X_test, y_train, y_test = train_test_split(X, y, train_size = 0.75, random_state=0)# 根据训练集构建Logistic分类器logistic = smf.Logit(y_train,X_train).fit()

logistic.summary()

经过7次迭代后，模型系数的计算实现收敛，完成了Logistic分类器的创建。从上图的结果看，除Male这个哑变量不显著（说明性别这个变量并不能构成用户是否购买的因素）外，其余的偏回归系数均为显著。下面，我们不妨将Male变量剔除，再做一次Logistic模型。# 重新构造分类器logistic2 = smf.logit('Purchased~Age+EstimatedSalary',

data = pd.concat([y_train,X_train], axis = 1)).fit()

logistic2.summary()

print(logistic.aic)

print(logistic2.aic)

很明显，通过变量的剔除，在保证了所有变量显著的情况下，也降低了模型的AIC，说明，Male哑变量的删除是合理的。# 优势比np.exp(logistic2.params)

接下来，再来看看模型的系数解释（优势比），在其他变量不变的情况下，用户年龄每增加一个单位（岁），用户购买的概率是不够买概率的1.25倍；用户的年收入每增加一个单位（元），用户购买的概率与不够买概率几乎相等（因为这里只是计算年收入增加1元的概率比，如果对收入变量压缩10000倍，那这个概率比肯定就会上升了，因为此时收入上升一个单位就是一万元了）。

模型预测与验证# 根据分类器，在测试集上预测概率prob = logistic2.predict(exog = X_test.drop('Male', axis = 1))# 根据概率值，将观测进行分类，不妨以0.5作为阈值pred = np.where(prob >= 0.5, 1, 0)# 根据预测值和实际值构建混淆矩阵cm = metrics.confusion_matrix(y_test, pred, labels=[0,1])

cm# 计算模型的准确率accuracy = cm.diagonal().sum()/cm.sum()

accuracy

应用分类器对测试数据集进行预测，这里将概率值设为0.5，如果概率大于等于0.5则判用户会购买，否则不会发生购买。通过这个概率值的设定，我们发现模型的准确率还是非常高的（混淆矩阵对角线代表预测正确的数量）。可是单看混淆矩阵还不够，因为当数据不平衡时，计算的准确率也同样会高，并不代表模型就会好，所以我们进一步的借助于ROC曲线下的面积来衡量模型时候合理。# 绘制ROC曲线fpr, tpr, _ = metrics.roc_curve(y_test, pred)

df = pd.DataFrame(dict(fpr=fpr, tpr=tpr))

ggplot(df, aes(x='fpr', y='tpr')) +\

geom_area(alpha=0.5, fill = 'steelblue') +\

geom_line() +\

geom_abline(linetype='dashed',color = 'red') +\

labs(x = '1-specificity', y = 'Sensitivity',title = 'ROC Curve AUC=%.3f' % metrics.auc(f

是不是很激动，对于熟悉R语言的你，Python中也有ggplot2的绘图语法！从上面的ROC曲线结果可知，AUC的值超过了0.85，这进一步说明模型的预测效果是非常不错的（一般AUC>0.8就比较好了）。

到此，关于使用Python构建Logistic分类器的实战我们就介绍到这里，接下来将使用R语言重新复现一遍，希望对R语言熟悉的朋友有一点的帮助。如下是R语言的复现脚本：# 加载第三方包library(pROC)library(ggplot2)# 读取数据purchase # 数据类型str(purchase)# 各变量缺失情况sapply(purchase, function(x) sum(is.na(x)))# 数据集拆分为训练集和测试集set.seed(0)

idx = sample(1:nrow(purchase), size = 0.75*nrow(purchase))

train = purchase[idx,]

test = purchase[-idx,]# 构建Logistic模型logit = glm(Purchased ~ ., data = train[,-1], family = binomial(link = "logit"))

summary(logit)# 删除性别这个变量train2 = purchase[idx,-c(1,2)]

test2 = purchase[-idx,-c(1,2)]# 重新构建Logistic模型logit2 = glm(Purchased ~ ., data = train2, family = binomial(link = "logit"))

summary(logit2)# 预测prob = predict(logit2, newdata = test2)

pred = factor(ifelse(prob >= 0.5, 1, 0), levels = c(0, 1), ordered = TRUE)# 混淆矩阵Freq = table(test$Purchased, pred)# 准确率sum(diag(Freq))/sum(Freq)# 绘制ROC曲线ROC = roc(factor(test2$Purchased, levels=c(0,1), ordered = TRUE), pred)

df = data.frame(x = 1-ROC$specificities, y = ROC$sensitivities)

ggplot(df, aes(x = x, y = y)) +

geom_area(alpha=0.5, fill = 'steelblue') +

geom_line() +

geom_abline(linetype='dashed',color = 'red') +

labs(x = '1-specificity', y = 'Sensitivity',

title = paste0('ROC Curve AUC=', round(ROC$auc,3))) +

theme(plot.title = element_text(hjust = 0.5, face = 'bold'))

结语

OK，关于使用Python和R语言完成Logistic回归的实战我们就分享到这里，如果你有任何问题，欢迎在公众号的留言区域表达你的疑问。同时，也欢迎各位朋友继续转发与分享文中的内容，让更多的人学习和进步。

关注“每天进步一点点2015”，与小编同进步！

数据链接：