python数据分析与挖掘实战 第六章 拓展思考

企业偷漏税识别模型

• 1、数据探索
  
  • 偷漏税企业分布

首先生成data

import pandas as pdinputfile = r'E:\Download\百度云\图书配套数据、代码\chapter6\拓展思考\tax.xls'data = pd.read_excel(inputfile,index_col=0)

通过以下代码获得各类销售模式中异常比率：

t = pd.DataFrame(data.groupby([data['销售模式'],data['输出']]).size()).unstack()[0]t['异常比率']=t['异常']/t.sum(axis=1)t.sort_values('异常比率',ascending=False)

可以得出如下结果：

销售模式 异常 正常 异常比率 二级及二级以下代理商 13 3 0.812500 一级代理商 14 6 0.700000 其它 3 2 0.600000 多品牌经营店 3 4 0.428571 4S店 20 56 0.263158

做个图看看：

import matplotlib.pyplot as pltplt.rcParams['axes.unicode_minus'] = Falseplt.rcParams['font.sans-serif'] = ['SimHei']plt.bar(range(len(t.index)),t['异常比率'],tick_label=t.index)plt.xticks(rotation=90)plt.show()

• 2 模型构建

再看看表，发现好像我也没有什么可以做的了，那么不如直接把整个表塞进模型里面进行训练吧。

先对表中的文字进行处理，全部变成值类型。

data['输出']=data['输出'].replace('正常',1)data['输出']=data['输出'].replace('异常',0)for m,n in enumerate(set(data['销售类型'])):    data['销售类型'] = data['销售类型'].replace(n, m+1)for m,n in enumerate(set(data['销售模式'])):    data['销售模式'] = data['销售模式'].replace(n, m+1)

好了，现在我们的表变成这样的了。

现在按照老办法创建一下训练集和测试集。

from random import shuffledata=data.as_matrix()shuffle(data)p=0.8train=data[:int(len(data)*p),:]test = data[int(len(data)*p):,:]

• 开始做LM神经网络模型：

from keras.models import Sequentialfrom keras.layers.core import Dense, Activationnet = Sequential()net.add(Dense(input_dim=14, units=10))net.add(Activation('relu'))net.add(Dense(input_dim=10, units=1))net.add(Activation('sigmoid'))net.compile(loss="binary_crossentropy", optimizer='adam', metrics=['accuracy']) hist = net.fit(train[:, :14], train[:, 14], epochs=1000, batch_size=1)net.save_weights('E:\\ch06model.h5')

好了，用模型来预测一下结果吧！

predict_result = net.predict_classes(train[:, :14]).reshape(len(train)) # 用训练集预测下predict_result_test = net.predict_classes(test[:, :14]).reshape(len(test)) # 用测试集预测下

然后也用混淆矩阵来看下结果吧，代码还是和书上一样的。

cm_plot(train[:, 14], predict_result).show()cm_plot(test[:, 14], predict_result_test).show()

训练集的判定正确率居然是100%。

测试集的判定正确率22/25，88%，看起来好像也不错。

• 那么，再来做CART模型看看

from sklearn.tree import DecisionTreeClassifiertree = DecisionTreeClassifier()  # 建立模型tree.fit(train[:, :14], train[:, 14])  # 训练模型

感觉决策树实在比神经网络用起来方便好多啊，训练速度也很快。

好了，也做两个混淆矩阵看下

cm_plot(train[:, 14], tree.predict(train[:,:14])).show()cm_plot(test[:, 14], tree.predict(test[:,:14])).show()

训练集依然还是100%的正确率。

测试集更加可怕，居然24/25, 96%的正确率。

• 那么做一个ROC评价对比一下。

from sklearn.metrics import roc_curvefrom matplotlib import pyplot as plt# LM模型predict_result_test = net.predict(test[:, :14]).reshape(len(test))fpr1, tpr1, thresholds1 = roc_curve(test[:, 14], predict_result_test, pos_label=1)plt.plot(fpr1, tpr1, linewidth=2, label='ROC OF LM')# CART模型predict_result_test = tree.predict_proba(test[:, :14])[:, 1]fpr, tpr, thresholds = roc_curve(test[:, 14], predict_result_test, pos_label=1)plt.plot(fpr, tpr, linewidth=2, label='ROC OF CART')plt.xlabel('False Positive Rate')plt.ylabel('True Positive Rate')plt.ylim(0, 1.05)plt.xlim(0, 1.05)plt.legend(loc=4)plt.show()

看看这结果，这次是CART模型好一些。
但实际上这个结果我另外跑过一次，那一次是LM模型的效果相对好一些。毕竟无论是训练集还是测试集的数量都太少了，其实不是太准确的。
如果你跑出来的结果和我的不一样，那也并不奇怪。