怎么使用Python和Jupyter Notebook構(gòu)建預測模型

這篇文章主要介紹“怎么使用Python和Jupyter Notebook構(gòu)建預測模型”，在日常操作中，相信很多人在怎么使用Python和Jupyter Notebook構(gòu)建預測模型問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”怎么使用Python和Jupyter Notebook構(gòu)建預測模型”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

我在這個實驗中使用的數(shù)據(jù)是來自Kaggle的酒店預訂需求數(shù)據(jù)集

在本文中，我將只向你展示建模階段，僅使用Logistic回歸模型，但是你可以訪問完整的文檔，包括在Github上進行的數(shù)據(jù)清理、預處理和探索性數(shù)據(jù)分析。

導入庫

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report

import warnings
warnings.filterwarnings("ignore")

加載數(shù)據(jù)集

df = pd.read_csv('hotel_bookings.csv')
df = df.iloc[0:2999]
df.head()

下面是數(shù)據(jù)集的外觀。

它有32列，它的完整版本是：

['hotel', 'is_canceled', 'lead_time', 'arrival_date_year',
       'arrival_date_month', 'arrival_date_week_number',
       'arrival_date_day_of_month', 'stays_in_weekend_nights',
       'stays_in_week_nights', 'adults', 'children', 'babies', 'meal',
       'country', 'market_segment', 'distribution_channel',
       'is_repeated_guest', 'previous_cancellations',
       'previous_bookings_not_canceled', 'reserved_room_type',
       'assigned_room_type', 'booking_changes', 'deposit_type', 'agent',
       'company', 'days_in_waiting_list', 'customer_type', 'adr',
       'required_car_parking_spaces', 'total_of_special_requests',
       'reservation_status', 'reservation_status_date']

根據(jù)我在Notebook上運行的信息，數(shù)據(jù)集中的NaN值可以在“country”、“agent”和“company”三列中找到

基于“l(fā)ead_time”特征，我將“country”中的NaN值替換為PRT（葡萄牙），因為PRT是最常見的

我試圖根據(jù)lead_time, arrival_date_month, 和arrival_date_week_number替換“agent”特征上的NaN值，但大多數(shù)都是“240”作為最常見的代理。

在我閱讀了在互聯(lián)網(wǎng)上可以找到的數(shù)據(jù)集的描述和解釋后，作者將“agent”特征描述為“預訂的旅行社ID”。因此，那些在數(shù)據(jù)集中擁有“agent”的人是唯一通過旅行社訂購的人，而那些沒有“agent”或是Nan的人，是那些沒有通過旅行社訂購的人。因此，我認為最好是用0來填充NaN值，而不是用常見的代理來填充它們，這樣會使數(shù)據(jù)集與原始數(shù)據(jù)集有所不同。

最后但并非最不重要的是，我選擇放棄整個“company”特征，因為該特性中的NaN約占數(shù)據(jù)的96%。如果我決定修改數(shù)據(jù)，它可能會對數(shù)據(jù)產(chǎn)生巨大的影響，并可能會影響整個數(shù)據(jù)

拆分數(shù)據(jù)集

df_new = df.copy()[['required_car_parking_spaces','lead_time','booking_changes','adr','adults', 'is_canceled']]
df_new.head()

x = df_new.drop(['is_canceled'], axis=1)
y = df_new['is_canceled']

我試著根據(jù)與目標（is_Cancelled）最顯著相關(guān)的前5個特征對數(shù)據(jù)集進行拆分，它們是required_car_parking_spaces’, ’lead_time’, ’booking_changes’, ’adr’, ’adults,’ 和‘is_canceled.’

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.20, shuffle=False)

訓練和測試分成80%和20%。

擬合模型

model_LogReg_Asli是在使用超參數(shù)調(diào)優(yōu)之前使用Logistic回歸的原始模型，下面是模型預測。

模型性能

如上所述，Logistic回歸模型的準確率約為69.3%。

模型參數(shù)

Randomized Search CV的Logistic回歸分析

model_LR_RS是采用Logistic回歸和超參數(shù)調(diào)整（隨機）的模型。

如上圖所示，帶有Randomized Search CV的Logistic回歸模型的結(jié)果與沒有隨機搜索的結(jié)果完全相同，為69.3%。

基于網(wǎng)格搜索CV的Logistic回歸

model_LR2_GS是采用Logistic回歸和超參數(shù)調(diào)整（網(wǎng)格搜索）的模型。

上圖顯示，使用網(wǎng)格搜索CV的Logistic回歸模型具有相同的準確率，為69.3%。

模型評估

混淆矩陣

TN為真反例，F(xiàn)N為假反例，F(xiàn)P為假正例，TP為真正例，0不被取消，1被取消。下面是模型的分類報告。

到此，關(guān)于“怎么使用Python和Jupyter Notebook構(gòu)建預測模型”的學習就結(jié)束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續(xù)學習更多相關(guān)知識，請繼續(xù)關(guān)注億速云網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>