Python实现离散选择多项式对数模型(MNLogit算法)项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

多项式对数模型是离散选择模型的一种。

本项目通过MNLogit算法来构建多项式对数模型。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

编号	变量名称	描述
1	x1
2	x2
3	x3
4	x4
5	x5
6	x6
7	x7
8	x8
9	x9
10	x10
11	y

数据详情如下(部分展示)：

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

关键代码：

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

从上图可以看到，总共有11个变量，数据中无缺失值，共2000条数据。

关键代码：

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

关键代码如下：

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

4.探索性数据分析

4.1 y变量柱状图

用Matplotlib工具的plot()方法绘制柱状图：

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

4.2 y=1样本x1变量分布直方图

用Matplotlib工具的hist()方法绘制直方图：

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

4.3 相关性分析

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

5.2 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：

6.构建多项式对数模型

主要使用MNLogit算法，用于目标分类。

6.1 构建模型

编号	模型名称	参数
1	MNLogit模型	默认参数

6.2 模型的摘要信息

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

7.模型评估

7.1 评估指标及结果

评估指标主要包括准确率、查准率、查全率、F1分值等等。

模型名称	指标名称	指标值
测试集
MNLogit模型	准确率	0.9325
	查准率	0.935
	查全率	0.9303
	F1分值	0.9327

从上表可以看出，F1分值为0.9327，说明模型效果较好。

关键代码如下：

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

7.2 分类报告

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

从上图可以看出，分类为0的F1分值为0.93；分类为1的F1分值为0.93。

7.3 混淆矩阵

Python实现离散选择多项式对数模型(MNLogit算法)项目实战

从上图可以看出，实际为0预测不为0的有13个样本；实际为1预测不为1的有14个样本，整体预测准确率良好。

8.结论与展望

综上所述，本文采用了MNLogit算法来构建离散模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。

# 本次机器学习项目实战所需的资料，项目资源如下：
 
# 项目说明：
 
# 获取方式一：
 
# 项目实战合集导航：
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二：

链接：https://pan.baidu.com/s/1aY-cobZvwshVZnMQn6GVrA 
提取码：j5a6

本文来自网络，不代表协通编程立场，如若转载，请注明出处：https://www.net2asp.com/1750ea3c44.html