一、简介

GridSearchCV，即网格搜索，给定指定的模型、参数，GridSearchCV可以自动的寻找到最优的模型及参数。

二、代码

引用包：

from sklearn.model_selection import GridSearchCV

构造分类器：

classifiers = [SVC(random_state = 1, kernel = 'rbf'),    DecisionTreeClassifier(random_state = 1, criterion = 'gini'),RandomForestClassifier(random_state = 1, criterion = 'gini'),KNeighborsClassifier(metric = 'minkowski'),
]

分类器参数：

classifier_param_grid = [{'svc__C':[1], 'svc__gamma':[0.01]},{'decisiontreeclassifier__max_depth':[6, 9, 11]},{'randomforestclassifier__n_estimators':[3, 5, 6]} ,{'kneighborsclassifier__n_neighbors':[4, 6, 8]},
]

完整代码：

# -*- coding: utf-8 -*-
# 信用卡违约率分析
import pandas as pd
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.metrics import accuracy_score
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier
from matplotlib import pyplot as plt
import seaborn as sns# 数据加载
data = pd.read_csv('./UCI_Credit_Card.csv')
# 数据探索
print(data.shape) # 查看数据集大小
print(data.describe()) # 数据集概览# 查看下一个月违约率的情况
next_month = data['default.payment.next.month'].value_counts()
print(next_month)
df = pd.DataFrame({'default.payment.next.month': next_month.index,'values': next_month.values})plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.figure(figsize = (6,6))
plt.title('信用卡违约率客户\n (违约：1，守约：0)')
sns.set_color_codes("pastel")
sns.barplot(x = 'default.payment.next.month', y="values", data=df)
plt.show()# 特征选择，去掉ID字段、最后一个结果字段即可
data.drop(['ID'], inplace=True, axis =1) #ID这个字段没有用
target = data['default.payment.next.month'].valuescolumns = data.columns.tolist()
columns.remove('default.payment.next.month')
features = data[columns].values# 30%作为测试集，其余作为训练集
train_x, test_x, train_y, test_y = train_test_split(features, target, test_size=0.30, stratify = target, random_state = 1)# 构造各种分类器
classifiers = [SVC(random_state = 1, kernel = 'rbf'),    DecisionTreeClassifier(random_state = 1, criterion = 'gini'),RandomForestClassifier(random_state = 1, criterion = 'gini'),KNeighborsClassifier(metric = 'minkowski'),
]# 分类器名称
classifier_names = ['svc', 'decisiontreeclassifier','randomforestclassifier','kneighborsclassifier',
]# 分类器参数
classifier_param_grid = [{'svc__C':[1], 'svc__gamma':[0.01]},{'decisiontreeclassifier__max_depth':[6, 9, 11]},{'randomforestclassifier__n_estimators':[3, 5, 6]} ,{'kneighborsclassifier__n_neighbors':[4, 6, 8]},
]# 对具体的分类器进行GridSearchCV参数调优
def GridSearchCV_work(pipeline, train_x, train_y, test_x, test_y, param_grid, score = 'accuracy'):response = {}gridsearch = GridSearchCV(estimator = pipeline, param_grid = param_grid, scoring = score)# 寻找最优的参数 和最优的准确率分数search = gridsearch.fit(train_x, train_y)print("GridSearch最优参数：", search.best_params_)print("GridSearch最优分数： %0.4lf" %search.best_score_)predict_y = gridsearch.predict(test_x)print("准确率 %0.4lf" %accuracy_score(test_y, predict_y))response['predict_y'] = predict_yresponse['accuracy_score'] = accuracy_score(test_y,predict_y)return responsefor model, model_name, model_param_grid in zip(classifiers, classifier_names, classifier_param_grid):pipeline = Pipeline([('scaler', StandardScaler()),(model_name, model)])result = GridSearchCV_work(pipeline, train_x, train_y, test_x, test_y, model_param_grid , score = 'accuracy')

运行结果：

GridSearch最优参数： {'svc__C': 1, 'svc__gamma': 0.01}
GridSearch最优分数： 0.8186
准确率 0.8172
GridSearch最优参数： {'decisiontreeclassifier__max_depth': 6}
GridSearch最优分数： 0.8208
准确率 0.8113
GridSearch最优参数： {'randomforestclassifier__n_estimators': 6}
GridSearch最优分数： 0.8004
准确率 0.7994
GridSearch最优参数： {'kneighborsclassifier__n_neighbors': 8}
GridSearch最优分数： 0.8040
准确率 0.8036

GridSearchCV——信用卡违约率分析示例相关推荐

python信用卡违约预测分析_数据挖掘实战（1）：信用卡违约率分析
在数据挖掘的过程中,我们经常会遇到一些问题,比如:如何选择各种分类器,到底选择哪个分类算法,是 SVM,决策树,还是 KNN?如何优化分类器的参数,以便得到更好的分类准确率? 这两个问题,是数据挖掘核 ...
数据挖掘实战：信用卡违约率分析建模
这次做一个信用卡违约率的分析项目,具体的数据集可以在这里下载数据集传送门文章目录提出问题数据集解读数据探索数据处理建模分析总结与不足提出问题总体的违约率情况怎样什么样的人群容易违 ...
FPGA的设计艺术（6）STA实战之SmartTime时序约束及分析示例（I）
前言 FPGA进行时序分析通常使用厂家的编译工具,进行时序分析,但是万变不离其宗,时序分析的知识通常都是通用的,原理都是一致的.下面根据SmartTime的资料来看下时序分析的实际操作是如何的,这在其 ...
[有限元] Ansys Workbench 19.2 平面应力问题分析示例
例题 1 试生成图 1 所示双孔板拉伸问题恰当的有限元网格(L=1000mm),计算孔边最大应力σmax,绘出变形及应力云图.并通过网格细分说明结果的精度. 操作步骤: 1.打开 Ansys Work ...
Android中app卡顿原因分析示例
http://www.cnblogs.com/zhucai/p/weibo-graphics-performance-analyse.html 朱才专注于Android图形动画 MIUI工程师博客 ...
数据挖掘—逻辑回归分类—信用卡欺诈分析
文章目录 1.分析目的: 2.掌握要点: 3.构建逻辑回归分类器 4.模型评估指标 5.精确度和召回率(不平衡数据衡量指标) 6.案例分析: 1.分析目的: 信用卡欺诈的危害性大,如何通过遗忘的交易数 ...
计算机专业的swot分析图,计算机专业学生个人SWOT分析示例.doc
计算机专业学生个人SWOT分析示例.doc 一.个人背景基本情况xxx,x,1992年出生,xxxx年x月考入xxx大学xxxx专业.二.内外部环境分析1.内部环境分析Strengths* 生活态度 ...
FPGA的设计艺术（7）STA实战之SmartTime时序约束及分析示例（II）
前言本文续FPGA的设计艺术(6)STA实战之SmartTime时序约束及分析示例(I),分析了时钟的不确定性,多周期路径,以及门控时钟的STA分析方法.可以使用各大厂家的时序分析工具,大多数都自带 ...
PSM倾向性评分分析介绍、spss进行倾向性评分分析示例
PSM倾向性评分分析介绍.spss进行倾向性评分分析示例目录 PSM倾向性评分分析介绍.spss进行倾向性评分分析示例 PSM倾向性评分分析
Python3数据分析与挖掘建模（6）单因子分析：离散分布分析示例
1. 离散分布分析示例相关库: pandas详细用法 numpy详细用法 1.1 引入算法库 # 引入 pandas库 import pandas as pd # 引入 numpy库 import ...

GridSearchCV——信用卡违约率分析示例

一、简介

二、代码

GridSearchCV——信用卡违约率分析示例相关推荐

最新文章

热门文章