全文链接：https://tecdat.cn/?p=34941
原文出处：拓端数据部落公众号
本文主要介绍了如何帮助客户通过读取数据、查看部分数据、转换数据为因子并将数值变量归一化、进行描述性分析、建立knn模型等步骤对数据进行分析。通过分别选择不同的k值进行建模，并对比它们的准确度，找到最优的参数k。文章还介绍了如何扩大参数的范围，找到最优的k值，并绘制数据的散点图，查看每个分类的分布情况。通过图表分析，得出了模型的预测点和实际点的符合程度较好的结论。
读取数据
credit <- read.table("man.data")
查看部分数据
根据对数据集的命名和查看，可以看出数据集包含了多个变量，如checkingstatus1、duration、history等，这些变量代表了不同的个人和贷款信息。数据集的前几行展示了每个变量的取值情况，以及最后一列是目标变量"Default"，它表示了客户是否违约。这些信息对于理解数据集的结构和内容非常重要。在进一步的分析中，这些变量将被用于建立模型，以预测客户是否会违约。
转换数据为因子，并且将数值变量归一化
germalt <- factor(germanault)
gemadit[sapply(germt, is.numeric)] <- lapply(gerdit[sapply(germanit, is.numeric)], scale)对数据进行描述性分析
summary(gerdit.subset)
根据对数据进行描述性分析的结果，可以看出各个变量的分布情况。例如，duration.V1（借款周期）、amount.V1（借款金额）、installment.V1（分期付款）等变量的最小值、最大值、中位数和平均值等统计信息。通过这些统计信息，可以初步了解数据的范围和分布情况，为后续建模和分析提供基础。例如，可以看出借款周期和借款金额的方差较大，而分期付款的方差较小，这些信息对于理解数据的特点和规律具有重要意义。
knn模型
将数据分区，70%为训练集，30%为测试集，建立knn模型，然后对比模型的准确度
set.seed(111)
test <-sample(1:nrow(germ.subset),nrow(germubset)*0.2)然后我们分别选取，不同的k作为knn模型的参数，得到模型的结果之后，对比它们的准确度，从而选出最优的参数k。
分别对不同的参数进行建模
knn.1 <- k train.def, k=1)
it, train.def, k=5)
kndef, k=20)然后分别计算不同参数下的准确度：
## test.def
## knn.1 0 1
## 0 54 11
## 1 21 14
## [1] 0.535
## test.def
## knn.5 0 1
## 0 62 13
## 1 13 12
## [1] 0.545
## test.def
## knn.20 0 1
## 0 69 13
## 1 6 12
## [1] 0.605
从不同的近邻数的结果来看，我们可以发现当参数为二十的时候，模型的准确率最高为0.605。
因此我们可以认为最优的knn参数是20。
扩大参数的范围，使参数从2到30变化，并分别计算不同参数下的准确度，从而找到最优的参数。
acc=numeric(0)
for(k in 2:30){
plot(acc,type="b",col="blue")
#查看最优k
which.max(acc)+1
## [1] 2
因此，最优的k为2。
绘制数据的散点图，查看每个分类的分布情况
plot(train.germancredit[,c("amount","duration")],
图中四种颜色的点分别表示以下四个种类的用户：
图中的圆形和三角形分别代表没有信贷的用户和有信贷的用户。实心点和空心点，分别代表着预测的数据和实际的数。从散点图的结果来看空心点和实心点的覆盖重合度较高，说明模型的预测点和实际点的符合程度较好。同时可以看到不同的客户，信用等级的分类出现了不同的分布情况。三角形代表信用较好的客户，他们的借款周期一般较短，借款金额也较少。而圆形的点代表没有信贷的用户,他们的借款周期较长，借款金额较大,存在信贷危机。
最受欢迎的见解
1.PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像
3.python中使用scikit-learn和pandas决策树
7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用
