深圳做营销网站公司哪家好,西部数码成品网站后台,中国建筑网官网企业文化,苏州网站建设官网目录
一、导入数据
二、选择特征
三、十折交叉验证
四、划分训练集和测试集
五、训练高斯贝叶斯模型
六、预测测试集 七、查看训练集和测试集上的分数 八、查看混合矩阵
九、输出评估指标 一、导入数据
# 根据商户数据预测其是否续约案例
import pandas
#读取数据到 da…目录
一、导入数据
二、选择特征
三、十折交叉验证
四、划分训练集和测试集
五、训练高斯贝叶斯模型
六、预测测试集 七、查看训练集和测试集上的分数 八、查看混合矩阵
九、输出评估指标 一、导入数据
# 根据商户数据预测其是否续约案例
import pandas
#读取数据到 data 变量中
data pandas.read_csv(高斯贝叶斯.csv, encodingansi) 二、选择特征
features [ 注册时长, 营收收入, 成本]
xdata[features]
ydata[是否续约]
三、十折交叉验证
#高斯贝叶斯
from sklearn.naive_bayes import GaussianNB
gaussianNB GaussianNB()
from sklearn.model_selection import cross_val_score
#进行K折交叉验证
cvs cross_val_score(gaussianNB, x, y, cv10)
cvs.mean() 分数如下 四、划分训练集和测试集
from sklearn.model_selection import train_test_split#把数据集分为训练集和测试集
x_train, x_test, y_train, y_test train_test_split(x, y, test_size0.3)
五、训练高斯贝叶斯模型
gaussianNB gaussianNB.fit(x_train, y_train)
六、预测测试集
predictgaussianNB.predict(x_test) 七、查看训练集和测试集上的分数
gaussianNB.score(x_train, y_train)
gaussianNB.score(x_test, y_test) 八、查看混合矩阵
gaussianNB GaussianNB()
#使用所有数据训练模型
gaussianNB.fit(x, y)
#对所有的数据进行预测
data[预测是否续约] gaussianNB.predict(data[features])
from sklearn.metrics import confusion_matrix
#计算混淆矩阵labels参数可由 gaussianNB.classes_ 得到
confusion_matrix(data[是否续约], data[预测是否续约], labels[不续约, 续约]
) 九、输出评估指标
from sklearn.metrics import classification_report
# 输出评估指标
print(classification_report(y_test, predict))
