整理个各个版本，但是时间的问题，或多或少会出现一些版本问题，所以认真的来写了关于用户流失预警的一个案例。
我们拿到的数据表示这种形式，如果需要数据包，请给出对应的邮箱。
首先附上对应的解释结果
在本案例中要注意的事项是：我们的数据处理采用的是归一化，不是标准化；其次选择了多个分类器的对比结果，在这里会发现，只是单纯的给出精确度的话，随机森林，knn和回归的精确度都很高，所以还需要考虑对应的召回率，最好是两者的组合，有一个F-分数可以体现，看可视化曲线所围绕的面积，其中，横坐标是召回率，纵坐标是精确度。给个草图解释：
为什么召回率很重要：如果100个人中10个坏蛋你没有分辨出来，很有影响的。
附上对应的信息和代码：
from __future__ import division import pandas as pd import numpy as np #导入数据 churn_df = pd.read_csv('churn.csv') #输出对应的列名 col_names = churn_df.columns.tolist() print('列名',col_names) #选择列名都前后6个 to_show = col_names[:6] + col_names[-6:] #显示6个数据 churn_df[to_show].head(6) #将最后一列的churn总的true和false修改成0,1,的形式 churn_result = churn_df['Churn?'] y = np.where(churn_result == 'True.',1,0) #删除不要的字段 to_drop = ['State','Area Code','Phone','Churn?'] churn_feat_space = churn_df.drop(to_drop,axis=1) #显示了yes或no的两个字段 yes_no_cols = ["Int'l Plan","VMail Plan"] churn_feat_space[yes_no_cols] = churn_feat_space[yes_no_cols] == 'yes' features = churn_feat_space.columns #在这个地方修改了几个东西，就是X = churn_feat_space.as_matrix().astype(np.float)中的改成了一下部分 X = churn_feat_space.values.astype(np.float) features #提供了数据预处理的库 from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X = scaler.fit_transform(X) #显示数据X的类型，为3333个记录，17个字段 print ("Feature space holds %d observations and %d features" % X.shape) #y的指标是0,1 print ("Unique target labels:", np.unique(y)) #打印这个矩阵的第一条记录 print( X[0]) #查看y==0的记录有多少条 print (len(y[y == 0])) #from sklearn.cross_validation import KFold #意思是cross_validation模块在0.18版本中被弃用，现在已经被model_selection代替。所以在导入的时候把"sklearn.cross_validation import #train_test_split "更改为 "from sklearn.model_selection import train_test_split" from sklearn.model_selection import train_test_split #X判断数据的标准，y预测的label，clf选择的分类器，**指定的参数 def run_cv(X,y,clf_class,**kwargs): # Construct a kfolds object #做成几份交叉验证 kf = KFold(len(y),n_folds=5,shuffle=True) y_pred = y.copy() # 分成了几份做交叉验证循环 for train_index, test_index in kf: X_train, X_test = X[train_index], X[test_index] y_train = y[train_index] # 分类器的类型 clf = clf_class(**kwargs) #放入训练集 clf.fit(X_train,y_train) #预测 y_pred[test_index] = clf.predict(X_test) #返回预测值 return y_predfrom sklearn.svm import SVC from sklearn.ensemble import RandomForestClassifier as RF from sklearn.neighbors import KNeighborsClassifier as KNN #定义了一个精确函数，比较真实值和预测值，返回均值 def accuracy(y_true,y_pred): #返回的是0,1值，表示预测是否正确的指标 #NumPy interprets True and False as 1. and 0. return np.mean(y_true == y_pred) #精确度很高并不能判定模型的优越性，最终想要的目标是检测出来流失的，主要看召回率 #而召回率主要是把实际上是真的判断成的真真和真假的占比 # print("Support vector machines:") print('支持向量机') print( "%.3f" % accuracy(y, run_cv(X,y,SVC))) # print("Random forest:") print('随机森林') print("%.3f" % accuracy(y, run_cv(X,y,RF))) print('K近邻算法') print("%.3f" % accuracy(y, run_cv(X,y,KNN))) #依概率的形式返回流失用户，轻重缓急 def run_prob_cv(X, y, clf_class, **kwargs): kf = KFold(len(y), n_folds=5, shuffle=True) y_prob = np.zeros((len(y),2)) for train_index, test_index in kf: X_train, X_test = X[train_index], X[test_index] y_train = y[train_index] clf = clf_class(**kwargs) clf.fit(X_train,y_train) # Predict probabilities, not classes y_prob[test_index] = clf.predict_proba(X_test) return y_prob import warnings warnings.filterwarnings('ignore') #上面两个可要可不要 # 使用10个估计器，所以预测都是0.1的倍数。 pred_prob = run_prob_cv(X, y, RF, n_estimators=10) #print(pred_prob[0]) pred_churn = pred_prob[:,1] is_churn = y == 1 # 一个预测概率被分配给观测值的次数 counts = pd.value_counts(pred_churn) #print(count) # 计算真概率 true_prob = {} for prob in counts.index: true_prob[prob] = np.mean(is_churn[pred_churn == prob]) true_prob = pd.Series(true_prob) # pandas-fu counts = pd.concat([counts,true_prob], axis=1).reset_index() counts.columns = ['pred_prob', 'count', 'true_prob'] counts
