银行分控模型的建立

银行分控模型的建立

 

　　1、基于神经网络算法进行模型建立分析

 

#导入库
import pandas as pd
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from sklearn.linear_model import LogisticRegression as LR
import numpy as np


#读取数据
data = pd.read_excel("D:\\unimportant\\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 = 16))
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 = 16, 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, y, epochs = 100, batch_size = 10)  #训练模型

#损失值
score  = model.evaluate(x,y,batch_size=128)  #模型评估
print("分类预测损失值：",score)

lr = LR()  # 建立逻辑回归模型

lr.fit(x, y)  # 用筛选后的特征数据来训练模型


print('模型的平均准确度为：%s' % lr.score(x, y))
#分类
yp = 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")
from cm_plot import *  # 导入自行编写的混淆矩阵可视化函数

cm_plot(y,yp).show()  # 显示混淆矩阵可视化结果

cm_plot函数：

def cm_plot(y, yp):
  
  from sklearn.metrics import confusion_matrix #µ¼Èë»ìÏý¾ØÕóº¯Êý

  cm = confusion_matrix(y, yp) #»ìÏý¾ØÕó
  
  import matplotlib.pyplot as plt #µ¼Èë×÷ͼ¿â
  plt.matshow(cm, cmap=plt.cm.Greens) #»­»ìÏý¾ØÕóͼ£¬ÅäÉ«·ç¸ñʹÓÃcm.Greens£¬¸ü¶à·ç¸ñÇë²Î¿¼¹ÙÍø¡£
  plt.colorbar() #ÑÕÉ«±êÇ©
  
  for x in range(len(cm)): #Êý¾Ý±êÇ©
    for y in range(len(cm)):
      plt.annotate(cm[x,y], xy=(x, y), horizontalalignment='center', verticalalignment='center')
  
  plt.ylabel('True label') #×ø±êÖá±êÇ©
  plt.xlabel('Predicted label') #×ø±êÖá±êÇ©
  return plt

结果展示：

 

 

　　2、ID3决策树算法模型分析

　　

import pandas as pd


# 参数初始化


filename = "D:\\unimportant\\bankloan.xls"


data = pd.read_excel(filename) # 导入数据


x = data.iloc[:,:8].astype(int)


y = data.iloc[:,8].astype(int)


from sklearn.tree import DecisionTreeClassifier as DTC


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。


# 导出的结果是一个dot文件，需要安装Graphviz才能将它转换为pdf或png等格式。


from sklearn.tree import export_graphviz


x = pd.DataFrame(x)



with open("tree.dot", 'w') as f:


    export_graphviz(dtc, feature_names = x.columns, out_file = f)


    f.close()



from IPython.display import Image  


from sklearn import tree


import pydotplus 


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('example.png')    #保存图像


Image(graph.create_png()) 

import matplotlib.pyplot as plt

img = plt.imread('example.png')

fig = plt.figure('show picture')

plt.imshow(img)

 

结果展示：