在机器学习应用中，Logistic回归可用进行数据分类和数据预测，在SPSSAU机器学习模块中，Logistic回归的应用场景即为分类和预测，其与SPSSAU进阶方法中的二元logit回归或者多分类logit回归一致，但应用场景有区别，进阶方法中的二元Logit回归或者多分类Logit回归主要用于研究影响关系，但机器学习模块中的Logistic回归侧重于研究数据的分类和预测作用，因而即使原理一致，但输出的指标等却完全不同。

• 1、背景

  当前有一项关于‘信用卡交易欺诈’的数据科学研究，已整理好数据共为1000条，其包括六项，分别是换设备次数，支付失败次数，换IP次数，换IP国家次数，交易金额和欺诈标签，欺诈标签时，数字1表示欺诈，数字0表示没有欺诈行为，现希望通过一些机器学习算法来构建模型，并且做一些预测工作，部分数据如下图所示：

  
  
  
• 2、理论

  Logistic回归时，如果Y为二分类，那么其数学模型为Logit(P/(1-P) = 常数 + b1*x1+b2*x2+…，如果是多分类时，其实质上是进行多次二分类，比如Y为3个类别，那么则进行2次（3-1=2）二元Logit回归，这是其数学原理。与此同时，在进行Logistic回归时，其涉及参数如下表所述：

  参数	说明	参数值设置
  优化算法	Logistic回归内部涉及的数学算法，可结合数据样本量等进行选择使用	lbfgs : 默认lbfgs牛顿法，算法较稳定； liblinear: 小型数据时使用； newton-cg : 另一种牛顿迭代法； newton-cholesky:样本量远大于特征数量时可以使用； sag:样本量非常大时建议使用；
  正则化	防止过拟合问题的处理技术方式	L1(Lasso正则化)：减少参数数量降低模型复杂度，通常在特征选择应用时使用它； L2(Ridge正则化)：通常用于处理过拟合问题时使用【默认】； None：不使用
  模型收敛参数	用来防止过拟合，正则化系数越大则正则化力度越大。	默认是0.001
  最大迭代次数	若迭代次数达到该值时依然不收敛，则停止迭代。	默认100次
  设置截距	模型中是否包括截距，通常包括	默认是包括截距，可选不无截距

  
  

  通常情况下，可结合样本数据条数使用优化算法，以及默认是使用L2正则化，如果更多目的为特征选择，可考虑使用L1正则化。其余3项参数建议保留默认即可。Logistic回归当前进行分类或者预测的使用相对较少，但其用于研究计量影响关系的情况较多。研究者可结合实际情况，选择使用其它的机器学习算法比如xgboost、神经网络等。

  
  
• 3、操作

  本例子操作截图如下：

  
  

  将欺诈标签放入Y框中，其余5个特征项作为自变量X。与此同时，训练集比例默认为0.8，暂不进行数据归一化，当然当前数据也可考虑做标准化处理，因为涉及数据的量纲不同。其余参数值均保持默认项，即使用lbfgs优化算法，并且使用L2正则化处理。

  
  
• 4、SPSSAU输出结果

  SPSSAU共输出5项结果，依次为基本信息汇总，训练集或测试集模型评估结果，测试集结果混淆矩阵，模型汇总表和模型代码，如下说明：

  项	说明
  基本信息汇总	因变量Y(标签项)的数据分布情况等
  训练集或测试集模型评估结果	分析训练集和测试集数据的模型效果评估，非常重要
  测试集结果混淆矩阵	测试集数据的进一步效果评估，非常重要
  模型汇总表	模型参数及评估汇总表格
  模型代码	模型构建的核心python代码

  
  

  上述表格中，基本信息汇总展示出因变量Y（标签项）的分类分布情况，模型评估结果（包括训练集或测试集）用于模型的拟合效果判断，尤其是测试集的拟合效果，以及提供测试集数据的混淆矩阵结果；模型汇总表格将各类参数值进行汇总，并且在最后附录模型构建的核心代码。

  与此同时，如果是二分类问题，SPSSAU默认还会输出训练集或者测试集的AUC指标及ROC曲线，如果是多分类问题，则不会输出。无论是二分类还是多分类问题，研究者可设置保存预测值，利用预测值作为X，利用Y作为Y进行ROC曲线（SPSSAU可视化模块里面的ROC曲线）进行AUC计算等。

  
  
• 5、文字分析

  接下来针对最重要的模型拟合情况进行说明，如下表格：

  
  

  上表格中分别针对训练集和测试集，提供四个评估指标，分别是精确率、召回率、f1-scrore、准确率，以及平均指标和样本量指标等，整体来看，模型效果较差，因为无论是训练集还是测试集，F1-score值均约高于0.7而已，其它指标比如精确率或者召回率指标，均低于0.8。

  接着进一步查看测试数据的‘混淆矩阵’，即模型预测和事实情况的交叉集合，如下图：

  
  

  ‘混淆矩阵’时，右下三角对角线的值越大越好，其表示预测值和真实值完全一致。上图中显示测试集时，真实值为1（即欺诈）但预测为0（即不欺诈）的数量为29，还有24个真实值为0但预测为1，整体预测准确率较低。最后SPSSAU输出模型参数信息值，如下表格：

  
  

  模型汇总表展示模型各项参数设置情况，最后SPSSAU输出使用python中slearn包构建本次神经网络的核心代码如下：

  model = LogisticRegression(solver='lbfgs', penalty='l2', fit_intercept=True, max_iter=100, tol=0.001)

  model.fit(x_train, y_train)

  与此同时， 本次logistic回归为二分类问题，SPSSAU默认输入AUC指标和ROC曲线，如下。AUC指标时，训练集和测试集分别是0.769和0.781，相对尚可。

  AUC指标值
  训练集时	0.769
  测试集时	0.781

  
  
  

  ROC曲线时，可切换测试集或者训练集，查看对应的ROC曲线。需要注意的是，如果非二分类（即Y的不同数字个数大于2时），此时不会输出AUC指标或ROC曲线。研究者可自行结合保存预测值进行构造ROC曲线等。

  
  
• 6、剖析

  涉及以下几个关键点，分别如下：

  • SPSSAU进行logistic回归时保存预测值？

  • 保存预测值时，SPSSAU会新生成一个标题用于存储模型预测的类别信息，其数字的意义与模型中标签项(因变量Y)的数字保持一致意义。并且还会生成标题用于存储各类别的预测概率值。

    
    
  • SPSSAU进行logistic回归输出的AUC或ROC？

  • Logistic回归时如果是二分类则默认输出AUC和ROC曲线，其原理是利用预测概率值进一步进行ROC曲线，研究者也可以自行保存预测概率值，然后使用SPSSAU可视化模块里面的ROC曲线进行绘制等。

    
    
  • SPSSAU进行logistic回归模型构建时，自变量X（特征项）中包括定类数据如何处理?

  • logistic回归模型时通常不会关注于数据类型本身，如果一定要处理，建议可对定类数据进行哑变量转化后放入，关于哑变量可点击查看。

    
    
  • SPSSAU中logistic回归模型合格的判断标准是什么?

  • 机器学习模型中，通常均为先使用训练数据训练模型，然后使用测试数据测试模型效果。通常判断标准为训练模型具有良好的拟合效果，同时测试模型也有良好的拟合效果。机器学习模型中很容易出现‘过拟合’现象即假的好结果，因而一定需要重点关注测试数据的拟合效果。针对单一模型，可通过变换参数调优，与此同时，可使用多种机器学习模型，比如使用决策树、随机森林、支持向量机、神经网络、Xgboost模型等，综合对比选择最优模型。

    
    
  • SPSSAU机器学习如何进行预测?

  • SPSSAU中默认带有数据预测功能，当特征项X有完整数据，但标签项（因变量Y）没有数据时，此时‘保存预测值’，SPSSAU会默认对此种情况进行预测。如下图中的编号9到12共4行数据，其只有X没有Y，那么保存预测值时，默认对该4行数据进行预测。机器学习的各方法（包括决策树/随机森林/KNN/贝叶斯/支持向量机/神经网络/logistic回归/Xgboost等）均遵从此规则。

  • 
    
    
  • 如何将多个模型绘制ROC曲线对比优劣?

  • 如果涉及多个模型预测能力绘制ROC曲线，用于多个模型预测能力对比。建议按以下步骤进行：

  • 第1步是得到各个模型（比如神经网络模型、随机森林模型、logistic回归、Xgboost等）的预测值标题，该预测值可通过SPSSAU中‘保存预测值’参数选中后得到；

  • 第2步是将得到的预测值作为ROC曲线时的‘检验变量X’。此时绘制出来的ROC曲线则会有多条，分别表示各模型的预测值。与此同时，ROC曲线时的‘状态变量Y’为实际真实情况上的Y数据，并且该数据正常情况下为二分类（即仅包括2个数字即两个类别）。

    
    
  • 机器学习算法时保存数据集标识的意思是什么?

  • 选择‘保存数据集标识’后，SPSSAU会新生成一个标题，用于标识模型构建时训练集或测试集，使用数字1表示训练集，数字2表示测试集。如果后续分析时（比如绘制ROC曲线）只针对训练集，那么使用筛选样本功能，筛选出训练集后分析即可。

    
    
  • 如何将多个机器学习模型数据绘制ROC曲线?

  • 如果有多个机器学习模型后，需要对比模型优劣情况。建议按下述步骤进行。

  • 第1步：每个机器学习模型最后一次构建后，选中‘保存预测信息’，系统会生成类别的预测概率；

  • 第2步：将多个机器学习模型的某类别的预测概率值一并纳入作为X，以及将Y作为Y，进行ROC曲线【注意，放入的是某个类别的预测概率值】；

  • 第3步：设置ROC曲线时对应的分割点，需要注意的是，分割点一定要设置为放入的对应类别时预测概率值对应的数字。

  • 需要提示的是：预测概率是指某类别的预测概率值，二分类时只有两个数字，比如是和否（数字1和数字0表示），那么‘是’对应的预测概率值即为模型预测出‘是’的概率，‘是’和‘否’的概率加和一定为1。

    
    
  • 机器学习算法中保存预测信息具体是什么意思？

  • 如果选中保存预测信息，并且为分类任务时，SPSSAU会新生成两项标题，分别是预测类别和预测概率。预测类别是指最终预测出来Y的类别，预测概率是指预测出Y的每个类别对应的概率情况；事实上某个类别的预测概率相对最大时，此时预测类别就为该类别（比如Y有A/B/C共3个类别，某样本时3个类别的预测概率分别是0.4,0.5,0.1），那么预测类别则为B类别。

  • 预测类别标题名称类似为‘Logit_Prediction_probability_****’，以及预测属于每个类别概率标题名类似‘Logit_Prediction_probability_1.0_****’标题中的1.0表示为数字1的预测概率。

  • 保存预测信息后，可进一步使用预测概率进行其它的分析或者处理，比如绘制ROC曲线等。

    
    
  • 为什么没有输出AUC指标及ROC曲线？

  • 如果是分类任务并且为二分类（Y为分类数据且为二分类，且参数上默认或者选择为分类任务），此时SPSSAU默认会输出ROC曲线及AUC指标等。如果是多分类（Y为分类数据且大于两类，且为分类任务），此时AUC指标的意义较小暂未输出，如果有需要，可按下述步骤进行。

  • 第1步：构建模型时先‘保存预测信息’，得到多个标题，每个标题对应1个类别时的预测概率；

  • 第2步：将某个类别（即1个标题）的预测概率作为X，Y为模型构建时的Y，并且ROC曲线时分割点设置为放入的类别项对应的数字；

  • 第3步：多个类别则重复进行多次，即得到每个Y类别标签的ROC曲线和AUC值等。