＃ 極值標準化處理

scaler ＝ MinMaxScaler（）

scaler．fit（train＿data）

scaled＿train＿data ＝ scaler．transform（train＿data）

scaler＿test＿data ＝ scaler．transform（test＿data）

建立多層感知器模型。

＃ 設置多層感知器對應的模型

mlp ＝ MLPClassifier（hidden＿layer＿sizes＝（10，）， activation＝＇logistic＇， alpha＝0．1， max＿iter＝1000）

＃ 對訓練集進行模型訓練

mlp．fit（scaled＿train＿data， train＿target）

＃ 輸出神經(jīng)網(wǎng)絡模型信息

print（mlp）

輸出模型信息如下。

接下來使用經(jīng)過訓練集訓練的模型，對訓練集及測試集進行預測。

＃ 使用模型進行預測

train＿predict ＝ mlp．predict（scaled＿train＿data）

test＿predict ＝ mlp．predict（scaler＿test＿data）

輸出預測概率，用戶流失的概率。

＃ 輸出模型預測概率（為1的情況）

train＿proba ＝ mlp．predict＿proba（scaled＿train＿data）［：， 1］

test＿proba ＝ mlp．predict＿proba（scaler＿test＿data）［：， 1］

對模型進行評估，輸出評估數(shù)據(jù)。

＃ 根據(jù)預測信息輸出模型評估結果

print（metrics．confusion＿matrix（test＿target， test＿predict， labels＝［0， 1］））

print（metrics．classification＿report（test＿target， test＿predict））

輸出如下。

模型對流失用戶的f1－score（精確率和召回率的調和平均數(shù)）值為0．81，效果不錯。

此外對流失用戶的靈敏度recall為0．83，模型能識別出83％的流失用戶，說明模型識別流失用戶的能力還可以。

輸出模型預測的平均準確度。

＃ 使用指定數(shù)據(jù)集輸出模型預測的平均準確度

print（mlp．score（scaler＿test＿data， test＿target））

＃ 輸出值為0．8282828282828283

平均準確度值為0．8282。

計算模型的ROC下面積。

＃ 繪制ROC曲線

fpr＿test， tpr＿test， th＿test ＝ metrics．roc＿curve（test＿target， test＿proba）

fpr＿train， tpr＿train， th＿train ＝ metrics．roc＿curve（train＿target， train＿proba）

plt．figure（figsize＝［3， 3］）

plt．plot（fpr＿test， tpr＿test， ＇b－－＇）

plt．plot（fpr＿train， tpr＿train， ＇r－＇）

plt．title（＇ROC curve＇）

plt．show（）

＃ 計算AUC值

print（metrics．roc＿auc＿score（test＿target， test＿proba））

＃ 輸出值為0．9149632415075206

ROC曲線圖如下。

訓練集和測試集的曲線很接近，沒有過擬合現(xiàn)象。

AUC值為0．9149，說明模型效果非常好。

對模型進行最優(yōu)參數(shù)搜索，并且對最優(yōu)參數(shù)下的模型進行訓練。