Python中的Logistic回归-测试

在将上述创建的分类器投入生产使用之前，我们需要对其进行测试。如果测试发现模型没有达到预期的准确度，我们将不得不回到上述过程中，选择另一组特征（数据字段），再次建立模型，并进行测试。这将是一个反复的步骤，直到分类器满足你所期望的准确率的要求。因此，让我们来测试我们的分类器。

预测测试数据

为了测试分类器，我们使用在前一阶段生成的测试数据。我们在创建的对象上调用 predict 方法，并传递测试数据的 X 数组，如下命令所示

In [24]: predicted_y = classifier.predict(X_test)

这将为整个训练数据集生成一个单维数组，给出X数组中每一行的预测结果。你可以使用以下命令来检查这个数组

In [25]: predicted_y

以下是执行上述两个命令后的输出结果。

Out[25]: array([0, 0, 0, ..., 0, 0, 0])

输出显示，第一个和最后三个客户不是 定期存款 的潜在候选人 。 你可以检查整个数组，以整理出潜在的客户。要做到这一点，请使用下面的Python代码片段–

In [26]: for x in range(len(predicted_y)):
   if (predicted_y[x] == 1):
      print(x, end="\t")

运行上述代码的输出结果如下图所示

输出显示了所有可能订阅TD的候选人的行的索引。你现在可以把这个输出给银行的营销团队，他们会在选定的行中挑选每个客户的联系信息，并继续他们的工作。

在我们把这个模型投入生产之前，我们需要验证预测的准确性。

验证准确性

为了测试模型的准确性，在分类器上使用评分法，如下所示 −

In [27]: print('Accuracy: {:.2f}'.format(classifier.score(X_test, Y_test)))

运行该命令的屏幕输出如下所示

Accuracy: 0.90

它表明，我们的模型的准确度为90%，这在大多数应用中被认为是非常好的。因此，不需要进一步调整。现在，我们的客户已经准备好运行下一个活动，获得潜在客户的名单，并追着他们开TD，成功率可能很高。