神经网络建立银行分控模型/决策树建立银行分控模型

'''用决策树建立银行分控模型'''

#导入库
import pandas as pd
from sklearn.tree import DecisionTreeClassifier as DTC
from sklearn.tree import export_graphviz
from IPython.display import Image
from sklearn import tree
import pydotplus


#导入数据
filename = 'data5/data/bankloan.xls'
data = pd.read_excel(filename)

#读取数据
x = data.iloc[:,:8]
y = data.iloc[:,8]

#建立模型
dtc = DTC(criterion='entropy')  #建立决策树模型，基于信息熵
dtc.fit(x, y)  #训练模型
x = pd.DataFrame(x)

#决策树
with open("data5/data/tree.dot", 'w') as f:
    export_graphviz(dtc, feature_names = x.columns, out_file = f)
    f.close()

#分类
dot_data = tree.export_graphviz(dtc, out_file=None,  #regr_1 是对应分类器
                         feature_names=data.columns[:8],   #对应特征的名字
                         class_names=data.columns[8],    #对应类别的名字
                         filled=True, rounded=True,  
                         special_characters=True)

#画出树的结构
dot_data = dot_data.replace('helvetica', 'MicrosoftYaHei')  #树结构的字体类型
graph = pydotplus.graph_from_dot_data(dot_data)  
graph.write_png('myTree.png')    #保存图像
Image(graph.create_png())

　　

 

 

'''用神经网络建立银行分控模型'''

#导入库
import pandas as pd
from keras.models import Sequential
from keras.layers.core import Dense, Activation
import numpy as np


#读取数据
data = data = pd.read_excel('D:\Python数据分析\data5\data/bankloan.xls')
x = data.iloc[:,:8].values
y = data.iloc[:,8].values

#建立模型
model = Sequential()
model.add(Dense(input_dim = 8, units = 40))
model.add(Activation('relu'))  #用relu函数作为激活函数，能够大幅提供准确度
model.add(Dense(input_dim = 40, units = 1))
model.add(Activation('sigmoid'))  #由于是0-1输出，用sigmoid函数作为激活函数
model.compile(loss = 'binary_crossentropy', optimizer = 'adam')
#编译模型。由于我们做的是二元分类，所以我们指定损失函数为binary_crossentropy，以及模式为binary
#另外常见的损失函数还有mean_squaredp_error、categorical_crossentropy等，请阅读帮助文件。
#求解方法我们指定用adam，还有sgd、rmsprop等可选
model.fit(x, y, epochs = 100, batch_size = 10)  #训练模型

#分类
yp = 2*model.predict(x).reshape(len(y))  # 分类预测
yp = yp.astype(np.int32)

#画出混淆矩阵图
print("混淆矩阵图：\n")
import cm_plot as cp  # 导入自行编写的混淆矩阵可视化函数
cp.cm_plot(y,yp).show()  # 显示混淆矩阵可视化结果

#损失值
score  = model.evaluate(x,y,batch_size=128)  #模型评估
print("分类预测损失值：",score)