敏捷数据科学 - 构建回归模型

逻辑回归是指用于预测类别因变量概率的机器学习算法。 在逻辑回归中，因变量是二元变量，由编码为1(布尔值true和false)的数据组成。

在本章中，我们将重点关注使用连续变量在 Python 中开发回归模型。 线性回归模型的示例将重点关注 CSV 文件中的数据探索。

分类目标是预测客户是否会认购(1/0)定期存款。

import pandas as pd
import numpy as np
from sklearn import preprocessing
import matplotlib.pyplot as plt

plt.rc("font", size=14)
from sklearn.linear_model import LogisticRegression
from sklearn.cross_validation import train_test_split

import seaborn as sns
sns.set(style="white")
sns.set(style="whitegrid", color_codes=True)
data = pd.read_csv('bank.csv', header=0)
data = data.dropna()
print(data.shape)
print(list(data.columns))

按照以下步骤使用"Jupyter Notebook"&minus 在 Anaconda Navigator 中实现上述代码;

步骤 1 − 使用 Anaconda Navigator 启动 Jupyter Notebook。

步骤 2 − 上传csv文件，系统地得到回归模型的输出。

步骤 3 − 创建一个新文件并执行上述代码行以获得所需的输出。