共计 2744 个字符，预计需要花费 7 分钟才能阅读完成。
作者 |Dimas Adnan
编译 |VK
起源 |Towards Data Science
在本文中，我想写一篇对于如何应用 Python 和 Jupyter Notebook 构建预测模型的文章。我在这个试验中应用的数据是来自 Kaggle 的酒店预订需要数据集：https://www.kaggle.com/jessem…
在本文中，我将只向你展现建模阶段，仅应用 Logistic 回归模型，然而你能够拜访残缺的文档，包含在 Github 上进行的数据清理、预处理和探索性数据分析。
导入库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
import warnings
warnings.filterwarnings("ignore")加载数据集
df = pd.read_csv('hotel_bookings.csv')
df = df.iloc[0:2999]
df.head()上面是数据集的外观。
它有 32 列，它的残缺版本是：
['hotel', 'is_canceled', 'lead_time', 'arrival_date_year',
'arrival_date_month', 'arrival_date_week_number',
'arrival_date_day_of_month', 'stays_in_weekend_nights',
'stays_in_week_nights', 'adults', 'children', 'babies', 'meal',
'country', 'market_segment', 'distribution_channel',
'is_repeated_guest', 'previous_cancellations',
'previous_bookings_not_canceled', 'reserved_room_type',
'assigned_room_type', 'booking_changes', 'deposit_type', 'agent',
'company', 'days_in_waiting_list', 'customer_type', 'adr',
'required_car_parking_spaces', 'total_of_special_requests',
'reservation_status', 'reservation_status_date']依据我在 Notebook 上运行的信息，数据集中的 NaN 值能够在“country”、“agent”和“company”三列中找到
基于“lead_time”特色，我将“country”中的 NaN 值替换为 PRT（葡萄牙），因为 PRT 是最常见的
我试图依据 lead_time, arrival_date_month, 和arrival_date_week_number 替换“agent”特色上的 NaN 值，但大多数都是“240”作为最常见的代理。
在我浏览了在互联网上能够找到的数据集的形容和解释后，作者将“agent”特征描述为“预订的旅行社 ID”。因而，那些在数据集中领有“agent”的人是惟一通过旅行社订购的人，而那些没有“agent”或是 Nan 的人，是那些没有通过旅行社订购的人。因而，我认为最好是用 0 来填充 NaN 值，而不是用常见的代理来填充它们，这样会使数据集与原始数据集有所不同。
最初但并非最不重要的是，我抉择放弃整个“company”特色，因为该个性中的 NaN 约占数据的 96%。如果我决定批改数据，它可能会对数据产生微小的影响，并可能会影响整个数据
拆分数据集
df_new = df.copy()[['required_car_parking_spaces','lead_time','booking_changes','adr','adults', 'is_canceled']]
df_new.head()x = df_new.drop(['is_canceled'], axis=1)
y = df_new['is_canceled']我试着依据与指标（is_Cancelled）最显著相干的前 5 个特色对数据集进行拆分，它们是required_car_parking_spaces’,’lead_time’,’booking_changes’,’adr’,’adults,’ 和‘is_canceled.’
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.20, shuffle=False)训练和测试分成 80% 和 20%。
拟合模型
model_LogReg_Asli 是在应用超参数调优之前应用 Logistic 回归的原始模型，上面是模型预测。
模型性能
如上所述，Logistic 回归模型的准确率约为 69.3%。
模型参数
Randomized Search CV的 Logistic 回归剖析
model_LR_RS 是采纳 Logistic 回归和超参数调整（随机）的模型。
如上图所示，带有 Randomized Search CV 的 Logistic 回归模型的后果与没有随机搜寻的后果完全相同，为 69.3%。
基于网格搜寻 CV 的 Logistic 回归
model_LR2_GS 是采纳 Logistic 回归和超参数调整（网格搜寻）的模型。
上图显示，应用网格搜寻 CV 的 Logistic 回归模型具备雷同的准确率，为 69.3%。
模型评估
混同矩阵
TN 为真反例，FN 为假反例，FP 为假正例，TP 为真正例，0 不被勾销，1 被勾销。上面是模型的分类报告。
在本文中，我再次应用 Logistic 回归进行测试，然而你能够应用其余类型的模型，如随机森林、决策树等。在我的 Github 上，我也尝试过随机森林分类器，但后果十分类似。
本文到此为止。谢谢你，祝你明天欢快。
原文链接：https://towardsdatascience.co…
欢送关注磐创 AI 博客站：
http://panchuang.net/
sklearn 机器学习中文官网文档：
http://sklearn123.com/
欢送关注磐创博客资源汇总站：
http://docs.panchuang.net/
