机器学习算法案例实战，python实现.zip

# 机器学习算法案例实战(python实现) ## 一.[信用卡违约率分析](./信用卡违约率分析) **1.加载数据** 用 pandas 加载[数据](./信用卡违约率分析/credit_card_info.csv) [数据字段说明](MachineLearning_Pratice/信用卡违约率分析/数据字段说明.jpeg) **2.数据探索性分析及可视化** 用 matplotlib 和 seaborn 对数据的标注（结果）进行[可视化](./信用卡违约率分析/payment_condition.jpg)。 **3.特征处理** 用 pandas 去除无关特征 用 StandardScaler 对数据进行标准化 **4.模型训练** 用 train_test_split 划分训练集和测试集 选择模型：SVM、决策树、随机森林、KNN 用 GridSearchCV 优化模型参数 用 Pipeline 管道机制定制化分类器训练流程 [代码](./信用卡违约率分析/credit_card_classifier.py ) **5.模型评估** 用 accuracy_score 对不同模型进行评估，[得出结论](./信用卡违约率分析/payment_predict_info.txt)。 ## 二.[信用卡诈骗分析](./信用卡诈骗分析) **1.加载数据** 用 pandas 加载数据 数据字段说明: Time:交易时间; Amount:交易金额; Class:交易的分类，0表示正常（非欺诈），1表示欺诈 V1，V2，……V28：出于隐私，不知道这些特征代表的具体含义，只知道这 28 个特征值是通过 PCA 变换得到的结果 **2.数据探索性分析及可视化** 用 matplotlib 和 seaborn 对数据的标注（结果）进行[可视化](./信用卡违约率分析/payment_condition.jpg)。 **3.特征处理** 用 pandas 去除无关特征 用 StandardScaler 对数据进行标准化 **4.模型训练** 用 train_test_split 划分训练集和测试集 选择模型：LogisticRegression [代码](./信用卡诈骗分析/creditcard.py ) **5.模型评估** 用 [混淆矩阵](./信用卡诈骗分析/混淆矩阵.png)、精确率、召回率、F1值 模型进行评估，绘制[精确率-召回率曲线](./信用卡诈骗分析/精确率_召回率曲线.png)，[得出结论](./信用卡诈骗分析/predict_info.txt)。 注：这里评价指标没有使用准确度是因为，数据分类结果严重不平衡，准确率很难反应模型的好坏。 ## 三.[手写数字识别](./手写数字识别) 深度学习中 CNN 网络算法：LeNet算法 **1.加载数据** 用 keras 自带的手写数字数据集：mnist **2.模型训练步骤** 1.创建模型序列 2.创建二维卷积层 3.对 2D 信号做最大池化层 4.创建 Flatten 层 5.创建全连接层 6.创建输出层，用softmax激活函数计算分类概率 7.设置损失函数和优化器设置 8.传入训练数据进行训练 [代码](./手写数字识别/LeNet.py) **3.模型评估** 用准确率对模型进行评估。