PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-2
https://developer.aliyun.com/article/1489341
交叉验证
经过所有准备工作，我们终于可以将数据集拆分为训练集和测试集。
算法的实现
逻辑回归
K=5 kf = KFold(n_splits=K, shuffle=True) logreg = LogisticRegression()
\[\[7872 93\] \[ 992 86\]\]
\[\[7919 81\] \[ 956 86\]\]
\[\[7952 60\] \[ 971 59\]\]
\[\[7871 82\] \[1024 65\]\]
\[\[7923 69\] \[ 975 75\]\]
决策树
dt2 = tree.DecisionTreeClassifier(random\_state=1, max\_depth=2)
\[\[7988 0\] \[1055 0\]\]
\[\[7986 0\] \[1056 0\]\]
\[\[7920 30\] \[1061 31\]\]
\[\[8021 0\] \[1021 0\]\]
\[\[7938 39\] \[1039 26\]\]
随机森林
random_forest = RandomForestClassifier
\[\[7812 183\] \[ 891 157\]\]
\[\[7825 183\] \[ 870 164\]\]
\[\[7774 184\] \[ 915 169\]\]
\[\[7770 177\] \[ 912 183\]\]
\[\[7818 196\] \[ 866 162\]\]
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享-4
