Python实现离散选择概率模型(Probit算法)项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

Probit模型是经过Logit模型的形式经过变形后得到的，Probit模型假设与标准正态分布的概率分布函数相似。

本项目通过Probit算法来构建概率模型。  

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

      

从上图可以看到，总共有11个变量，数据中无缺失值，共2000条数据。

关键代码：

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下：    

4.探索性数据分析

4.1 y变量柱状图

用Matplotlib工具的plot()方法绘制柱状图：

4.2 y=1样本x1变量分布直方图

用Matplotlib工具的hist()方法绘制直方图：

4.3 相关性分析

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。  

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：

6.构建概率模型

主要使用Probit算法，用于目标分类。

6.1 构建模型

6.2 模型的摘要信息

7.模型评估

7.1 评估指标及结果

评估指标主要包括准确率、查准率、查全率、F1分值等等。

从上表可以看出，F1分值为0.9054，说明模型效果较好。

关键代码如下：   

7.2 分类报告

      

从上图可以看出，分类为0的F1分值为0.91；分类为1的F1分值为0.91。

7.3 混淆矩阵

从上图可以看出，实际为0预测不为0的 有18个样本；实际为1预测不为1的 有19个样本，整体预测准确率良好。   

8.结论与展望

综上所述，本文采用了Probit算法来构建概率模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。   

# 本次机器学习项目实战所需的资料，项目资源如下：
 
# 项目说明：
 
# 获取方式一：
 
# 项目实战合集导航：
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二：
 
链接：https://pan.baidu.com/s/1S5Qn0hllrIC5xrX4zQ_TGQ 
提取码：e8cz