银行风控模型

2022-03-30 12:32:49 阅读：218 来源： 互联网

标签：plt cm 模型银行风控 test import model data

神经网络

import pandas as pd
from keras.models import Sequential
from keras.layers.core import Dense, Activation
import numpy as np
# 参数初始化
inputfile = 'D:/数据挖掘Python/data/bankloan.xls'
data = pd.read_excel(inputfile)
x_test = data.iloc[:,:8].values
y_test = data.iloc[:,8].values

model = Sequential()  # 建立模型
model.add(Dense(input_dim = 8, units = 8))
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 = 8, 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 = 'mean_squared_error', 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_squared_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_test, y_test, epochs = 1000, batch_size = 10)
predict_x=model.predict(x_test)
classes_x=np.argmax(predict_x,axis=1)
yp = classes_x.reshape(len(y_test))

def cm_plot(y, yp):
  from sklearn.metrics import confusion_matrix
  cm = confusion_matrix(y, yp)
  import matplotlib.pyplot as plt
  plt.matshow(cm, cmap=plt.cm.Greens)
  plt.colorbar()
  for x in range(len(cm)):
    for y in range(len(cm)):
      plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
  plt.ylabel('True label')
  plt.xlabel('Predicted label')
  return plt
cm_plot(y_test,yp).show()# 显示混淆矩阵可视化结果
score  = model.evaluate(x_test,y_test,batch_size=128)  # 模型评估
print(score)

结果：

SVM支持向量机

import pandas as pd
import numpy as np
from sklearn import svm
from sklearn.metrics import accuracy_score
from sklearn.metrics import confusion_matrix
from matplotlib import pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
data_load = "D:/数据挖掘Python/data/bankloan.xls"
data = pd.read_excel(data_load)
data.describe()
data.columns
data.index
## 转为np 数据切割
X = np.array(data.iloc[:,0:-1])
y = np.array(data.iloc[:,-1])
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1, train_size=0.8, test_size=0.2, shuffle=True)
svm = svm.SVC()
svm.fit(X_test,y_test)
y_pred = svm.predict(X_test)
accuracy_score(y_test, y_pred)
print(accuracy_score(y_test, y_pred))
cm = confusion_matrix(y_test, y_pred)
heatmap = sns.heatmap(cm, annot=True, fmt='d')
heatmap.yaxis.set_ticklabels(heatmap.yaxis.get_ticklabels(), rotation=0, ha='right')
heatmap.xaxis.set_ticklabels(heatmap.xaxis.get_ticklabels(), rotation=45, ha='right')
plt.ylabel("true label")
plt.xlabel("predict label")
plt.show()

结果：

决策树

import pandas as pd
import pydotplus
from sklearn.tree import DecisionTreeClassifier as DTC
from sklearn.tree import export_graphviz
from IPython.display import Image
from sklearn import tree

# 参数初始化
filename = 'D:/数据挖掘Python/data/bankloan.xls'
data = pd.read_excel(filename)  # 导入数据

# 数据是类别标签，要将它转换为数据
x = data.iloc[:,:8].astype(int)
y = data.iloc[:,8].astype(int)

dtc = DTC(criterion='entropy')  # 建立决策树模型，基于信息熵
dtc.fit(x, y)  # 训练模型

# 导入相关函数，可视化决策树。
x = pd.DataFrame(x)
with open("tree.dot", 'w') as f:
    export_graphviz(dtc, feature_names = x.columns, out_file = f)
    f.close()
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)

graph = pydotplus.graph_from_dot_data(dot_data)
graph.write_png('example2.png')    #保存图像
Image(graph.create_png())

结果：

标签：plt,cm,模型,银行,风控,test,import,model,data
来源： https://www.cnblogs.com/ghh0/p/16076426.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。

ICode9

银行风控模型