python逻辑回归模型建模步骤_逻辑回归建模及变量重要性可视化（Python实现）

一、逻辑回归背景知识

逻辑回归(Logistic Regression)是最常用的分类算法之一，因其简单直观可解释而广受欢迎。它来源于统计学中的广义线性模型(GLM)，也是机器学习领域的基本算法。

因本文重在分享对模型变量重要性的可视化，故在这里不对模型原理做过多说明。感兴趣的读者可以参考以下几篇文章。

简单地说，逻辑回归模型的变量系数，反映变量变动对比值比y/1-y(odd)的影响，即对样本X作为正例的相对可能性的影响。

这里我们先建立模型，输出系数，供后面可视化使用。

#=============== 逻辑回归 =================

#加载包

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

#数据读入

filename='loandata.xls'

data=pd.read_excel(filename)

data.head()

#数据准备

X_data = data.drop(['违约'],axis=1)

print(X_data.head())

y_data = np.ravel(data[['违约']])

#划分数据集

from sklearn.model_selection import train_test_split

X_train,X_test,y_train,y_test = train_test_split(X_data,y_data,random_state=1)

X_train.shape

X_test.shape

#建立模型

from sklearn.linear_model import LogisticRegression

lr = LogisticRegression