【说明】函数说明-model._LogitModel类

类对象说明：model._LogitModel - 逻辑回归模型类

model._LogitModel是逻辑回归模型类，由于_LogitModel属于内置类，它由model.scoreCard函数返回，因此，我们只介绍类的属性与方法，而不介绍它的构建方法。

一、类的属性

_LogitModel类拥有如下的属性：

var            : 入模变量名称。

w               : 模型权重。

b               : 模型阈值。

w_norm       : 模型归一化训练时的权重。

b_norm       : 模型归一化训练时的阈值。

param_dict : 模型参数,字典格式,包含了w和b。

train_auc   : 训练样本的AUC。

train_ks    : 训练样本的KS。

test_auc    : 测试样本的AUC。

test_ks     : 测试样本的KS。

• 函数说明

由于逻辑回归模型在训练时，会先对数据进行归一化再训练，因此训练完后模型的权重、阈值为w_norm和b_norm，但是，我们应用时需要的是面向原始数据(未归一化的数据)的权重阈值，因此将模型参数进行反归一化，得到w和b。

二、类的方法

_LogitModel类只有一个方法：predict。

predict：预测函数，predict方法用于预测样本的概率和决策值(即wx+b)。

完整调用格式如下：

p,decision = logit_model.predict(x)  # 这里的logit_model指的是一个_LogitModel类

• predict-入参说明：

x：样本的变量数据。

         数据类型：pandas.DataFrame

• predict-出参说明：

p：样本属于1类(即坏客户)的概率。

     数据类型：pandas.core.series

decision：样本的决策值(即wx+b)。

     数据类型：pandas.core.series

三、使用示例

model._LogitModel类使用示例如下：

import bbbrisk as br
data       = br.datasets.load_bloan()                                               # 加载数据
x,y        = data.iloc[:,:-1],data['is_bad']                                        # 样本变量与标签
bin_sets   = br.bins.batch.autoBins(x, y,enum_var=['city','marital'])               # 自动分箱
logit_model,card = br.model.scoreCard(x,y,bin_sets,train_param={'random_state':0})  # 构建评分卡,并设随机种子为0

# 打印模型的属性  
print('* 入模变量var: '          ,logit_model.var        )                          # 入模变量
print('* 模型权重w: '            ,logit_model.w          )                          # 模型权重
print('* 模型阈值b: '            ,logit_model.b          )                          # 模型阈值
print('* 模型归一化权重w_norm: ' ,logit_model.w_norm     )                          # 模型归一化训练时的权重
print('* 模型归一化阈值b_norm: ' ,logit_model.b_norm     )                          # 模型归一化训练时的阈值
print('* 模型参数param_dict: '   ,logit_model.param_dict )                          # 模型参数,字典格式
print('* 训练样本的AUC: '        ,logit_model.train_auc  )                          # 训练样本的AUC
print('* 训练样本的KS:  '        ,logit_model.train_ks   )                          # 训练样本的KS
print('* 测试样本的AUC: '        ,logit_model.test_auc   )                          # 测试样本的AUC
print('* 测试样本的KS:  '        ,logit_model.test_ks    )                          # 测试样本的KS

# 用模型进行预测
p,decision = logit_model.predict(x[logit_model.var])                                # 用模型进行预测	    
print('\n* 模型对样本的预测概率：\n'  ,p)                                           # 模型对样本的预测概率
print('\n* 模型对样本的预测决策值：\n',decision)                                    # 模型对样本的预测决策值

运行结果如下：

好了，以上就是model._LogitModel类的使用方法了~