预测银行客户借贷情况的Python代码实现

以下是一个简单的 Python 代码示例，用于预测银行客户借贷情况。这个示例使用了逻辑回归模型。

# 导入所需的库
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv("bank_loan_data.csv")

# 将分类变量进行独热编码
data = pd.get_dummies(data, columns=["gender", "education", "marital_status", "occupation"])

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(data.drop(["loan_status"], axis=1), data["loan_status"], test_size=0.2, random_state=42)

# 创建逻辑回归模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

这个示例假设数据集被保存为一个名为 `bank_loan_data.csv` 的 CSV 文件。在这个数据集中，`loan_status` 是目标变量，需要被预测。其他变量可以用来训练模型。首先，我们读取数据集并进行独热编码。然后，我们将数据集划分为训练集和测试集。接下来，我们创建一个逻辑回归模型，并将其拟合到训练集上。最后，我们使用测试集来测试模型的准确率。