预测用户是否进行购买产品,请给出代码
时间: 2024-02-24 08:56:36 浏览: 23
好的,根据你提供的信息,这是一个二分类问题,可以使用逻辑回归模型进行预测。
首先,需要导入相关的库:numpy、pandas、matplotlib和sklearn。代码如下:
```python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix
```
然后,读取数据集并进行数据预处理,包括数据清洗、特征工程等。这里以一个简单的例子进行说明:
```python
# 读取数据集
data = pd.read_csv('data.csv')
# 数据清洗
data = data.dropna()
# 特征工程
data['age_bin'] = pd.cut(data['age'], bins=[0, 20, 30, 40, 50, 60, 70, 80, 90, 100])
data['job'] = data['job'].replace(['student', 'unemployed'], 'other')
data['marital'] = data['marital'].replace(['divorced', 'married'], 'not_single')
data['default'] = data['default'].replace(['yes', 'no'], [1, 0])
data['housing'] = data['housing'].replace(['yes', 'no'], [1, 0])
data['loan'] = data['loan'].replace(['yes', 'no'], [1, 0])
data = pd.get_dummies(data, columns=['age_bin', 'job', 'marital'])
# 数据划分
X = data.drop(['y'], axis=1)
y = data['y']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
```
接下来,使用逻辑回归模型进行训练和预测,并计算模型的准确率和混淆矩阵,代码如下:
```python
# 创建逻辑回归模型
model = LogisticRegression()
# 模型训练
model.fit(X_train, y_train)
# 模型预测
y_pred = model.predict(X_test)
# 计算模型准确率和混淆矩阵
accuracy = accuracy_score(y_test, y_pred)
confusion = confusion_matrix(y_test, y_pred)
print('Accuracy:', accuracy)
print('Confusion Matrix:\n', confusion)
```
最后,根据模型的预测结果进行分析和决策。
相关推荐
![ipynb](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)