逻辑回归模型训练及性能评估 - 贷款逾期预测

逻辑回归模型训练及性能评估 - 贷款逾期预测

本示例使用逻辑回归算法来进行二分类问题的预测，预测目标是判断贷款是否逾期。

# 模型训练
lr = LogisticRegression() # 调用逻辑回归的算法包
cols = loans_2020.columns 
train_cols = cols.drop('is_overdue') 
features = loans_2020[train_cols] 
target = loans_2020['is_overdue'] # 作为标签矩阵

lr.fit(features, target) #开始训练
predictions = lr.predict(features) # 开始预测
# print(lr.predict_proba(features))#lr的概率模型


lr = LogisticRegression(class_weight='balanced')
# kf = KFold(features.shape[0], random_state=1)
predictions = cross_val_predict(lr, features, target, cv=10)
predictions = pd.Series(predictions)

# 计算真正率和假正率
# fpr, tpr, _ = roc_curve(target, predictions)



# False positives.
fp_filter = (predictions == 0) & (loans_2020['is_overdue'] == 1)
fp = len(predictions[fp_filter])

# True positives.
tp_filter = (predictions == 0) & (loans_2020['is_overdue']== 0)
tp = len(predictions[tp_filter])

# False negatives.
fn_filter = (predictions == 1) & (loans_2020['is_overdue']== 0)
fn = len(predictions[fn_filter])

# True negatives
tn_filter = (predictions == 1) & (loans_2020['is_overdue']== 1)
tn = len(predictions[tn_filter])

# Rates
tpr = tp / float((tp + fn)) #
fpr=fp / float((fp + tn))
print('真正率:',tpr)
roc_auc = auc(fpr, tpr)
# 绘制ROC曲线
plt.figure()
lw = 2
plt.plot(fpr, tpr, color='darkorange', lw=lw, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc='lower right')
plt.show()

# 模型分析
# 可以根据ROC曲线下面积（AUC）来评估模型的性能，AUC越大，模型性能越好
print('AUC: ', roc_auc)

模型性能分析

模型使用逻辑回归算法来进行二分类问题的预测，预测目标是判断贷款是否逾期。真正率（True Positive Rate）是指在所有实际为正例中，模型正确预测为正例的比例。从结果来看，真正率为 0.6155823610836464，说明模型在预测正例时的准确率较高。但是，仅仅通过真正率无法完全评估模型的性能，还需要结合其他指标进行综合评估，比如假正率（False Positive Rate）、精确率（Precision）、召回率（Recall）等。

此外，可以根据ROC曲线下面积（AUC）来评估模型的性能，AUC越大，模型性能越好。在示例代码中，我们已经计算并打印了AUC值，可以根据这个值来判断模型的性能是否符合预期。

注意: 上述代码示例仅供参考，实际应用中可能需要根据具体情况进行调整。