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 npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsfrom sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import confusion_matrixfrom sklearn.metrics import classification_reportimport warningswarnings.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/