本文实例讲述了Python基于Logistic回归建模计算某银行在降低贷款拖欠率的数据。分享给大家供大家参考，具体如下：

一、Logistic回归模型：

二、Logistic回归建模步骤

1.根据分析目的设置指标变量（因变量和自变量），根据收集到的数据进行筛选

2.用ln(p/1-p)和自变量x1...xp列出线性回归方程，估计出模型中的回归系数

3.进行模型检验。模型有效性检验的函数有很多，比如正确率、混淆矩阵、ROC曲线、KS值

4.模型应用。

三、对某银行在降低贷款拖欠率的数据进行建模

源代码为：

import pandas as pdfilename=r'..\data\bankloan.xls' #导入数据路径data=pd.read_excel(filename) #读取该excel文件x=data.iloc[:,:8].as_matrix() #选取数据集中0-7行的数据，形成一个矩阵y=data.iloc[:,8].as_matrix()from sklearn.linear_model import LogisticRegression as LRfrom sklearn.linear_model import RandomizedLogisticRegression as RLRrlr=RLR()rlr.fit(x,y) #训练模型rlr.get_support() #获取特征筛选结果print(u'通过逻辑回归模型筛选特征结束。')print(u'有效特征为：%s'%','.join(data.columns[rlr.get_support()]))x=data[data.columns[rlr.get_support()]].as_matrix() #筛选好的特征lr=LR()lr.fit(x,y)print(u'逻辑回归模型训练结束')print(u'模型的平均正确率：%s'%lr.score(x,y))

机器运行结果报错：

IndexError: boolean index did not match indexed array along dimension 0; dimension is 9 but corresponding boolean dimension is 8

解决办法：建立一个新的矩阵data2，去掉最后一行，使维数匹配。

修改后代码如下：

import pandas as pdfilename=r'..\data\bankloan.xls'data=pd.read_excel(filename)x=data.iloc[:,:8].as_matrix()y=data.iloc[:,8].as_matrix()from sklearn.linear_model import LogisticRegression as LRfrom sklearn.linear_model import RandomizedLogisticRegression as RLRrlr=RLR()rlr.fit(x,y)rlr.get_support()print(u'通过逻辑回归模型筛选特征结束。')data2=data.drop(u'违约',1)print(u'有效特征为：%s'%','.join(data2.columns[rlr.get_support()]))x=data[data2.columns[rlr.get_support()]].as_matrix()lr=LR()lr.fit(x,y)print(u'逻辑回归模型训练结束')print(u'模型的平均正确率：%s'%lr.score(x,y))

机器运行结果：

更多关于Python相关内容感兴趣的读者可查看本站专题：《Python数学运算技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》及《Python入门与进阶经典教程》

希望本文所述对大家Python程序设计有所帮助。