机器学习项目实战——03逻辑回归算法之用户流失预测

数据集采用的是真实数据集。对于数据集的说明如下：

可以看出：这个属于分类问题，并且对于预测值只有0和1，属于二分类问题，一般采用逻辑回归。

但是逻辑回归可能效果不好，后续在讲如何提高分类准确率。

观察数据集：

第一列、第二列、第三列与最后的预测值无关。因此可在处理时删除这三列。

x_train = np.delete(x_train,[0,1,2],axis=1)
x_test = np.delete(x_test,[0,1,2],axis=1)

另外，对于国家和用户性别两列是字符串形式，要转换成数字形式才能计算

from sklearn.preprocessing import LabelEncoder
labelencoder1 = LabelEncoder()
x_train[:,1] = labelencoder1.fit_transform(x_train[:,1])
x_test[:,1] = labelencoder1.transform(x_test[:,1])
labelencoder2 = LabelEncoder()
x_train[:,2] = labelencoder2.fit_transform(x_train[:,2])
x_test[:,2] = labelencoder2.transform(x_test[:,2])

最后，将所有的字符串类型转换成float类型进行计算，相当于去掉双引号

x_train = x_train.astype(np.float32)
x_test = x_test.astype(np.float32)
y_train = y_train.astype(np.float32)
y_test = y_test.astype(np.float32)

完整代码如下：

import numpy as np
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report

# 数据集里面含有字符串，如果不定义dtype=np.str,则读取出来的数据为null
train_data = np.genfromtxt('Churn-Modelling.csv',delimiter=',',dtype=np.str)
test_data = np.genfromtxt('Churn-Modelling-Test-Data.csv',delimiter=',',dtype=np.str)

# 切分数据
x_train = train_data[1:,:-1]   #行取第一行到最后，列取第0列到倒数第二列
y_train = train_data[1:,-1].astype(int)
x_test = test_data[1:,:-1]
y_test = test_data[1:,-1].astype(int)

# 预处理删除无关的三列axis=1删除列、axis=0则删除行
x_train = np.delete(x_train,[0,1,2],axis=1)
x_test = np.delete(x_test,[0,1,2],axis=1)
print(x_train[:5])
print(y_train[:5])

# 另外，对于国家和用户性别两列是字符串形式，要转换成数字形式才能计算
labelencoder1 = LabelEncoder()
x_train[:,1] = labelencoder1.fit_transform(x_train[:,1])
x_test[:,1] = labelencoder1.transform(x_test[:,1])
labelencoder2 = LabelEncoder()
x_train[:,2] = labelencoder2.fit_transform(x_train[:,2])
x_test[:,2] = labelencoder2.transform(x_test[:,2])
print(x_train[:5])

# 将所有的字符串类型转换成float类型进行计算，相当于去掉双引号
x_train = x_train.astype(np.float32)
x_test = x_test.astype(np.float32)
y_train = y_train.astype(np.float32)
y_test = y_test.astype(np.float32)

# 数据标准化处理，均值化
sc = StandardScaler()
x_train = sc.fit_transform(x_train)
x_test = sc.transform(x_test)
print(x_train[:5])

# 模型训练
LR = LogisticRegression()
LR.fit(x_train,y_train)

predictions = LR.predict(x_test)
print(classification_report(y_test, predictions))

最终结果，用LR得到的结果不是很好，大概准确率只有74