构建回归模型

逻辑回归是指用于预测分类因变量的概率的机器学习算法。在逻辑回归中，因变量是二进制变量，由编码为 1 的数据组成（真和假的布尔值）。

在本章中，我们将重点介绍使用连续变量在 Python 中开发回归模型。线性回归模型的示例将重点介绍 CSV 文件的数据探索。

分类目标是预测客户是否将订阅定期存款（1/0）。

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))

按照以下步骤在具有“Jupyter Notebook”的 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 文件以获得回归模型的输出，方式系统化。

步骤 3−创建一个新文件并执行上述代码行以获得预期输出。