1、企业到金融商业机构贷款，金融商业机构需要对企业进行评估。评估结果为0和1两种形式，0表示企业两年后破产，将拒绝贷款；而1表示企业两年后具备贷款能力，可以贷款。下表中，已知前20家企业的三项评价指标值和评估结果，试建立逻辑回归模型、支持向量机模型、神经网络模型对剩余5家企业进行评估。

好的，这是一个二分类问题，可以使用逻辑回归、支持向量机、神经网络等模型进行建模和预测。在使用这些模型之前，需要对数据进行预处理和特征工程，包括数据清洗、特征选择、特征缩放等步骤。

具体步骤如下：

1. 导入所需的库和数据集，查看数据集的基本信息。

2. 对数据集进行预处理，包括数据清洗、特征选择和特征缩放等步骤。

3. 将数据集分为训练集和测试集，用训练集训练模型，用测试集评估模型的性能。

4. 使用逻辑回归、支持向量机、神经网络等模型进行建模和预测。

5. 对模型进行评估，包括准确率、精确率、召回率、F1值等指标。

具体实现步骤如下：

1. 导入所需的库和数据集，查看数据集的基本信息。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

data = pd.read_csv('data.csv')
print(data.head())
print(data.info())

2. 对数据集进行预处理，包括数据清洗、特征选择和特征缩放等步骤。

# 缺失值处理
data = data.dropna()

# 特征选择
X = data.drop(['Bankrupt'], axis=1)
y = data['Bankrupt']

# 特征缩放
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

3. 将数据集分为训练集和测试集，用训练集训练模型，用测试集评估模型的性能。

# 将数据集分为训练集和测试集
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 训练模型
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.neural_network import MLPClassifier

lr = LogisticRegression()
lr.fit(X_train, y_train)
print('Logistic Regression: ', lr.score(X_test, y_test))

svm = SVC(kernel='linear', C=1)
svm.fit(X_train, y_train)
print('Support Vector Machine: ', svm.score(X_test, y_test))

nn = MLPClassifier(hidden_layer_sizes=(10,10), max_iter=1000)
nn.fit(X_train, y_train)
print('Neural Network: ', nn.score(X_test, y_test))

4. 使用逻辑回归、支持向量机、神经网络等模型进行建模和预测。

# 预测剩余5家企业的评估结果
X_new = [[1.2, 1.3, 0.5], [0.1, 0.2, 0.3], [0.5, 0.8, 0.4], [1.0, 1.0, 0.8], [0.7, 0.5, 0.2]]
X_new_scaled = scaler.transform(X_new)

print('Logistic Regression: ', lr.predict(X_new_scaled))
print('Support Vector Machine: ', svm.predict(X_new_scaled))
print('Neural Network: ', nn.predict(X_new_scaled))

5. 对模型进行评估，包括准确率、精确率、召回率、F1值等指标。

# 评估模型
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

y_pred_lr = lr.predict(X_test)
y_pred_svm = svm.predict(X_test)
y_pred_nn = nn.predict(X_test)

print('Logistic Regression')
print('Accuracy:', accuracy_score(y_test, y_pred_lr))
print('Precision:', precision_score(y_test, y_pred_lr))
print('Recall:', recall_score(y_test, y_pred_lr))
print('F1 Score:', f1_score(y_test, y_pred_lr))

print('Support Vector Machine')
print('Accuracy:', accuracy_score(y_test, y_pred_svm))
print('Precision:', precision_score(y_test, y_pred_svm))
print('Recall:', recall_score(y_test, y_pred_svm))
print('F1 Score:', f1_score(y_test, y_pred_svm))

print('Neural Network')
print('Accuracy:', accuracy_score(y_test, y_pred_nn))
print('Precision:', precision_score(y_test, y_pred_nn))
print('Recall:', recall_score(y_test, y_pred_nn))
print('F1 Score:', f1_score(y_test, y_pred_nn))

以上就是使用逻辑回归、支持向量机、神经网络等模型对企业评估问题的解决方法。