标签:模型 pd 分控 import model data dot 决策树
'''用决策树建立银行分控模型''' #导入库 import pandas as pd from sklearn.tree import DecisionTreeClassifier as DTC from sklearn.tree import export_graphviz from IPython.display import Image from sklearn import tree import pydotplus #导入数据 filename = 'data5/data/bankloan.xls' data = pd.read_excel(filename) #读取数据 x = data.iloc[:,:8] y = data.iloc[:,8] #建立模型 dtc = DTC(criterion='entropy') #建立决策树模型,基于信息熵 dtc.fit(x, y) #训练模型 x = pd.DataFrame(x) #决策树 with open("data5/data/tree.dot", 'w') as f: export_graphviz(dtc, feature_names = x.columns, out_file = f) f.close() #分类 dot_data = tree.export_graphviz(dtc, out_file=None, #regr_1 是对应分类器 feature_names=data.columns[:8], #对应特征的名字 class_names=data.columns[8], #对应类别的名字 filled=True, rounded=True, special_characters=True) #画出树的结构 dot_data = dot_data.replace('helvetica', 'MicrosoftYaHei') #树结构的字体类型 graph = pydotplus.graph_from_dot_data(dot_data) graph.write_png('myTree.png') #保存图像 Image(graph.create_png())
'''用神经网络建立银行分控模型''' #导入库 import pandas as pd from keras.models import Sequential from keras.layers.core import Dense, Activation import numpy as np #读取数据 data = data = pd.read_excel('D:\Python数据分析\data5\data/bankloan.xls') x = data.iloc[:,:8].values y = data.iloc[:,8].values #建立模型 model = Sequential() model.add(Dense(input_dim = 8, units = 40)) model.add(Activation('relu')) #用relu函数作为激活函数,能够大幅提供准确度 model.add(Dense(input_dim = 40, units = 1)) model.add(Activation('sigmoid')) #由于是0-1输出,用sigmoid函数作为激活函数 model.compile(loss = 'binary_crossentropy', optimizer = 'adam') #编译模型。由于我们做的是二元分类,所以我们指定损失函数为binary_crossentropy,以及模式为binary #另外常见的损失函数还有mean_squaredp_error、categorical_crossentropy等,请阅读帮助文件。 #求解方法我们指定用adam,还有sgd、rmsprop等可选 model.fit(x, y, epochs = 100, batch_size = 10) #训练模型 #分类 yp = 2*model.predict(x).reshape(len(y)) # 分类预测 yp = yp.astype(np.int32) #画出混淆矩阵图 print("混淆矩阵图:\n") import cm_plot as cp # 导入自行编写的混淆矩阵可视化函数 cp.cm_plot(y,yp).show() # 显示混淆矩阵可视化结果 #损失值 score = model.evaluate(x,y,batch_size=128) #模型评估 print("分类预测损失值:",score)
标签:模型,pd,分控,import,model,data,dot,决策树 来源: https://www.cnblogs.com/LCXYJTM/p/16076305.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。