＃ 极值标准化处理
scaler ＝ MinMaxScaler（）
scaler．fit（train＿data）
scaled＿train＿data ＝ scaler．transform（train＿data）
scaler＿test＿data ＝ scaler．transform（test＿data）
建立多层感知器模型。
＃ 设置多层感知器对应的模型
mlp ＝ MLPClassifier（hidden＿layer＿sizes＝（10，）， activation＝＇logistic＇， alpha＝0．1， max＿iter＝1000）
＃ 对训练集进行模型训练
mlp．fit（scaled＿train＿data， train＿target）
＃ 输出神经网络模型信息
print（mlp）
输出模型信息如下。
接下来使用经过训练集训练的模型，对训练集及测试集进行预测。
＃ 使用模型进行预测
train＿predict ＝ mlp．predict（scaled＿train＿data）
test＿predict ＝ mlp．predict（scaler＿test＿data）
输出预测概率，用户流失的概率。
＃ 输出模型预测概率（为1的情况）
train＿proba ＝ mlp．predict＿proba（scaled＿train＿data）［：， 1］
test＿proba ＝ mlp．predict＿proba（scaler＿test＿data）［：， 1］
对模型进行评估，输出评估数据。
＃ 根据预测信息输出模型评估结果
print（metrics．confusion＿matrix（test＿target， test＿predict， labels＝［0， 1］））
print（metrics．classification＿report（test＿target， test＿predict））
输出如下。
模型对流失用户的f1－score（精确率和召回率的调和平均数）值为0．81，效果不错。
此外对流失用户的灵敏度recall为0．83，模型能识别出83％的流失用户，说明模型识别流失用户的能力还可以。
输出模型预测的平均准确度。
＃ 使用指定数据集输出模型预测的平均准确度
print（mlp．score（scaler＿test＿data， test＿target））
＃ 输出值为0．8282828282828283
平均准确度值为0．8282。
计算模型的ROC下面积。
＃ 绘制ROC曲线
fpr＿test， tpr＿test， th＿test ＝ metrics．roc＿curve（test＿target， test＿proba）
fpr＿train， tpr＿train， th＿train ＝ metrics．roc＿curve（train＿target， train＿proba）
plt．figure（figsize＝［3， 3］）
plt．plot（fpr＿test， tpr＿test， ＇b－－＇）
plt．plot（fpr＿train， tpr＿train， ＇r－＇）
plt．title（＇ROC curve＇）
plt．show（）
＃ 计算AUC值
print（metrics．roc＿auc＿score（test＿target， test＿proba））
＃ 输出值为0．9149632415075206
ROC曲线图如下。
训练集和测试集的曲线很接近，没有过拟合现象。
AUC值为0．9149，说明模型效果非常好。
对模型进行最优参数搜索，并且对最优参数下的模型进行训练。
3
