Python 数据分析与可视化 Day 14 - 建模复盘 + 多模型评估对比（逻辑回归 vs 决策树）

✅ 今日目标

• 回顾整个本周数据分析 & 建模流程
• 学会训练第二种模型：决策树（Decision Tree）
• 掌握多模型对比评估的方法与实践
• 输出综合对比报告：准确率、精确率、召回率、F1 等指标
• 为后续模型调优与扩展打下基础

---

一、本周流程快速回顾

步骤	内容
第1天	高级数据操作（索引、透视、变形）
第2天	缺失值和异常值处理
第3天	多表合并与连接
第4天	特征工程（编码、归一化、时间）
第5天	数据集拆分（训练集 / 测试集）
第6天	逻辑回归模型构建与评估
第7天	多模型对比评估（今天）

---

二、训练决策树分类器

from sklearn.tree import DecisionTreeClassifier

tree = DecisionTreeClassifier(random_state=42)
tree.fit(X_train, y_train)
y_pred_tree = tree.predict(X_test)

---

⚖️ 三、模型对比评估

from sklearn.metrics import classification_report

print(" Logistic 回归：")
print(classification_report(y_test, y_pred_log))

print(" 决策树模型：")
print(classification_report(y_test, y_pred_tree))

---

可视化对比（可选）

import matplotlib.pyplot as plt

models = ["Logistic", "DecisionTree"]
accuracies = [
    accuracy_score(y_test, y_pred_log),
    accuracy_score(y_test, y_pred_tree),
]

plt.bar(models, accuracies, color=["skyblue", "lightgreen"])
plt.title("模型准确率对比")
plt.ylabel("Accuracy")
plt.show()

---

今日练习建议（脚本名：compare_models.py）

1. 读取本周生成的训练 / 测试数据

2. 同时训练逻辑回归与决策树模型

3. 输出各自的评估指标（Accuracy、Precision、Recall、F1）

4. （可选）将结果写入一个 CSV 或图表可视化

5. 思考不同模型优劣，以及如何选择合适模型

   # compare_models.py
   import pandas as pd
   from sklearn.linear_model import LogisticRegression
   from sklearn.tree import DecisionTreeClassifier
   from sklearn.metrics import (
       accuracy_score,
       classification_report,
       confusion_matrix
   )
   import matplotlib.pyplot as plt
   import seaborn as sns
   import os
   
   plt.rcParams['font.family'] = 'Arial Unicode MS'  # Mac 用户可用
   plt.rcParams['axes.unicode_minus'] = False
   
   # 1. 加载训练与测试数据
   data_dir = "data/model"
   X_train = pd.read_csv(os.path.join(data_dir, "X_train.csv"))
   X_test = pd.read_csv(os.path.join(data_dir, "X_test.csv"))
   y_train = pd.read_csv(os.path.join(data_dir, "y_train.csv")).values.ravel()
   y_test = pd.read_csv(os.path.join(data_dir, "y_test.csv")).values.ravel()
   
   # 2. 初始化模型
   log_model = LogisticRegression()
   tree_model = DecisionTreeClassifier(random_state=42)
   
   # 3. 模型训练
   log_model.fit(X_train, y_train)
   tree_model.fit(X_train, y_train)
   
   # 4. 模型预测
   y_pred_log = log_model.predict(X_test)
   y_pred_tree = tree_model.predict(X_test)
   
   # 5. 评估结果
   print(" Logistic 回归评估报告：")
   print(classification_report(y_test, y_pred_log))
   
   print("\n 决策树评估报告：")
   print(classification_report(y_test, y_pred_tree))
   
   # 6. 准确率对比
   acc_log = accuracy_score(y_test, y_pred_log)
   acc_tree = accuracy_score(y_test, y_pred_tree)
   
   # 7. 可视化混淆矩阵
   plt.figure(figsize=(10, 4))
   
   plt.subplot(1, 2, 1)
   sns.heatmap(confusion_matrix(y_test, y_pred_log, labels=[0, 1]), annot=True, fmt="d", cmap="Blues",
               xticklabels=["0", "1"], yticklabels=["0", "1"])
   plt.title("Logistic 回归 - 混淆矩阵")
   plt.xlabel("预测", fontproperties="Arial Unicode MS")
   plt.ylabel("真实", fontproperties="Arial Unicode MS")
   
   plt.subplot(1, 2, 2)
   sns.heatmap(confusion_matrix(y_test, y_pred_tree, labels=[0, 1]), annot=True, fmt="d", cmap="Greens",
               xticklabels=["0", "1"], yticklabels=["0", "1"])
   plt.title("决策树 - 混淆矩阵")
   plt.xlabel("预测", fontproperties="Arial Unicode MS")
   plt.ylabel("真实", fontproperties="Arial Unicode MS")
   
   plt.tight_layout()
   plt.show()
   
   # 8. 准确率柱状图
   plt.figure(figsize=(5, 4))
   plt.bar(["Logistic", "Decision Tree"], [acc_log, acc_tree], color=["skyblue", "lightgreen"])
   plt.title("模型准确率对比")
   plt.ylabel("Accuracy")
   plt.ylim(0, 1)
   plt.grid(axis='y', linestyle='--', alpha=0.7)
   plt.tight_layout()
   plt.show()
   
   # 9. 汇总结果（可选保存）
   results_df = pd.DataFrame({
       "模型": ["Logistic", "Decision Tree"],
       "准确率": [acc_log, acc_tree]
   })
   os.makedirs("data/result", exist_ok=True)
   results_df.to_csv("data/result/model_comparison.csv", index=False)
   print("\n✅ 对比结果已保存：data/result/model_comparison.csv")
   

   结果输出：

    Logistic 回归评估报告：
                 precision    recall  f1-score   support
   
              0       1.00      1.00      1.00         7
              1       1.00      1.00      1.00        13
   
       accuracy                           1.00        20
      macro avg       1.00      1.00      1.00        20
   weighted avg       1.00      1.00      1.00        20
   
   
    决策树评估报告：
                 precision    recall  f1-score   support
   
              0       1.00      1.00      1.00         7
              1       1.00      1.00      1.00        13
   
       accuracy                           1.00        20
      macro avg       1.00      1.00      1.00        20
   weighted avg       1.00      1.00      1.00        20
   
   
   ✅ 对比结果已保存：data/result/model_comparison.csv
   

   可视化混淆矩阵:
   

   准确率柱状图:
   

   data/result/model_comparison.csv：
   
   PS：可以使用下面的代码生成训练/测试集：

   import pandas as pd
   import numpy as np
   from sklearn.model_selection import train_test_split
   import os
   
   # 构造示例数据
   np.random.seed(42)
   size = 100
   df = pd.DataFrame({
       "成绩": np.random.randint(40, 100, size=size),
       "性别": np.random.choice(["男", "女"], size=size)
   })
   
   # 增加派生特征
   df["成绩_标准化"] = (df["成绩"] - df["成绩"].mean()) / df["成绩"].std()
   df["是否及格_数值"] = (df["成绩"] >= 60).astype(int)
   df["性别_男"] = (df["性别"] == "男").astype(int)
   df["性别_女"] = (df["性别"] == "女").astype(int)
   
   # 特征与标签
   X = df[["成绩_标准化", "性别_男", "性别_女", "是否及格_数值"]]
   y = df["是否及格_数值"]
   
   # 拆分数据
   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
   
   # 保存路径
   os.makedirs("data/model", exist_ok=True)
   X_train.to_csv("data/model/X_train.csv", index=False)
   X_test.to_csv("data/model/X_test.csv", index=False)
   y_train.to_csv("data/model/y_train.csv", index=False)
   y_test.to_csv("data/model/y_test.csv", index=False)
   

---

今日总结

• 理解模型评估不止准确率，更要看精确率与召回率
• 决策树可捕捉非线性关系，但易过拟合
• 模型选择应结合业务背景、样本数量、可解释性等因素