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
Logit模型（Logit model，也译作“评定模型”，“分类评定模型”，又作Logistic regression，“逻辑回归”）是离散选择法模型之一，属于多重变量分析范畴，是社会学、生物统计学、临床、数量心理学、计量经济学、市场营销等统计实证分析的常用方法。
本项目通过Logit算法来构建逻辑回归模型。
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)：
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：
关键代码：
3.2 数据缺失查看
使用Pandas工具的info()方法查看数据信息：
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：
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。
关键代码如下：
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：
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：
4.3 相关性分析
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：
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.构建逻辑回归模型
主要使用Logit算法，用于目标分类。
6.1 构建模型
| 编号 |
模型名称 |
参数 |
| 1 |
Logit模型 |
默认参数 |
6.2 模型的摘要信息
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 | ||
| Logit模型 |
准确率 |
0.9125 |
| 查准率 |
0.9448 |
|
| 查全率 |
0.8724 |
|
| F1分值 |
0.9072 |
|
从上表可以看出，F1分值为0.9072，说明模型效果较好。
关键代码如下：
7.2 分类报告
从上图可以看出，分类为0的F1分值为0.92；分类为1的F1分值为0.91。
7.3 混淆矩阵
从上图可以看出，实际为0预测不为0的 有10个样本；实际为1预测不为1的 有25个样本，整体预测准确率良好。 文章来源：https://www.toymoban.com/news/detail-812023.html
8.结论与展望
综上所述，本文采用了Logit回归算法来构建逻辑回归模型，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。 文章来源地址https://www.toymoban.com/news/detail-812023.html
# 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/1tGMG7LTv-hk5wYQ0NPyKUA
提取码：2gnb到了这里，关于Python实现离散选择Logit模型(Logit算法)项目实战的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
