首页1.读取数据集data.xlsx； 2.利用RFECV进行特征筛选后进行LogisticRegression建模；绘制训练集和验证集的模型ROC曲线。 Spyder代码

1.读取数据集data.xlsx； 2.利用RFECV进行特征筛选后进行LogisticRegression建模；绘制训练集和验证集的模型ROC曲线。 Spyder代码

时间: 2024-11-09 20:29:43 浏览: 63

首先，你需要安装一些必要的库，如pandas、numpy、sklearn等。以下是使用Spyder编写Python代码的一个示例： ```python # 导入所需的库 import pandas as pd import numpy as np from sklearn.model_selection import train_test_split, RFECV from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt # 1. 读取数据集 # 假设data.xlsx位于当前工作目录下 df = pd.read_excel('data.xlsx') # 检查数据是否存在并查看前几行 print(df.head()) # 2. 特征工程与划分数据集 X = df.drop('target_column', axis=1) # 将'target_column'替换为你的目标列名 y = df['target_column'] # 目标变量 X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42) # 使用RFECV进行特征选择 logreg = LogisticRegression() selector = RFECV(logreg, cv=5) selector.fit(X_train, y_train) X_train_selected = selector.transform(X_train) X_val_selected = selector.transform(X_val) # 3. 建立Logistic Regression模型 model = LogisticRegression() model.fit(X_train_selected, y_train) # 计算预测值 y_pred_proba = model.predict_proba(X_val_selected)[:, 1] # 4. 绘制训练集和验证集的ROC曲线 fpr, tpr, _ = roc_curve(y_val, y_pred_proba) roc_auc = auc(fpr, tpr) plt.figure(figsize=(8,6)) plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], 'k--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver Operating Characteristic (ROC)') plt.legend(loc="lower right") plt.show() ``` 这里假设`target_column`是你想要预测的目标列名称。记得将代码中的相应部分替换为实际的数据文件路径、列名以及目标列。

阅读全文