这篇文章将为大家详细讲解有关Python基于Logistic回归建模如何计算某银行在降低贷款拖欠率的数据，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
具体如下：
一、Logistic回归模型：
二、Logistic回归建模步骤
1.根据分析目的设置指标变量（因变量和自变量），根据收集到的数据进行筛选
2.用ln(p/1-p)和自变量x1...xp列出线性回归方程，估计出模型中的回归系数
3.进行模型检验。模型有效性检验的函数有很多，比如正确率、混淆矩阵、ROC曲线、KS值
4.模型应用。
三、对某银行在降低贷款拖欠率的数据进行建模
源代码为：
import pandas as pd filename=r'..\data\bankloan.xls' #导入数据路径 data=pd.read_excel(filename) #读取该excel文件 x=data.iloc[:,:8].as_matrix() #选取数据集中0-7行的数据，形成一个矩阵 y=data.iloc[:,8].as_matrix() from sklearn.linear_model import LogisticRegression as LR from sklearn.linear_model import RandomizedLogisticRegression as RLR rlr=RLR() rlr.fit(x,y) #训练模型 rlr.get_support() #获取特征筛选结果 print(u'通过逻辑回归模型筛选特征结束。') print(u'有效特征为：%s'%','.join(data.columns[rlr.get_support()])) x=data[data.columns[rlr.get_support()]].as_matrix() #筛选好的特征 lr=LR() lr.fit(x,y) print(u'逻辑回归模型训练结束') print(u'模型的平均正确率：%s'%lr.score(x,y))机器运行结果报错：
IndexError: boolean index did not match indexed array along dimension 0; dimension is 9 but corresponding boolean dimension is 8
解决办法：建立一个新的矩阵data2，去掉最后一行，使维数匹配。
修改后代码如下：
import pandas as pd filename=r'..\data\bankloan.xls' data=pd.read_excel(filename) x=data.iloc[:,:8].as_matrix() y=data.iloc[:,8].as_matrix() from sklearn.linear_model import LogisticRegression as LR from sklearn.linear_model import RandomizedLogisticRegression as RLR rlr=RLR() rlr.fit(x,y) rlr.get_support() print(u'通过逻辑回归模型筛选特征结束。') data2=data.drop(u'违约',1) print(u'有效特征为：%s'%','.join(data2.columns[rlr.get_support()])) x=data[data2.columns[rlr.get_support()]].as_matrix() lr=LR() lr.fit(x,y) print(u'逻辑回归模型训练结束') print(u'模型的平均正确率：%s'%lr.score(x,y))机器运行结果：
关于“Python基于Logistic回归建模如何计算某银行在降低贷款拖欠率的数据”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
