说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。
1.项目背景
泊松分布（一种离散分布），泊松分布适合于描述单位时间内随机事件发生的次数。对于试验成功概率很小而试验次数很多的随机过程，都可以很自然地应用于泊松分布的理论。在泊松分布中的概率表达式只含一个参数，减少了对参数的确定与修改工作量，模型构建比较简单，具有很重要的实际意义。
泊松分布是经济生活中的一种非常重要的分布形式，尤其是经常被运用在运筹学研究中的一个分布模型。如物料订单的规划，道路交通信号灯的设计，生产计划的安排，海港发货船期的调度等等都需要用到泊松分布。
本项目通过Poisson算法来构建泊松模型。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：
| 编号 | 变量名称 | 描述 |
| 1 | x1 | |
| 2 | x2 | |
| 3 | x3 | |
| 4 | x4 | |
| 5 | x5 | |
| 6 | x6 | |
| 7 | x7 | |
| 8 | x8 | |
| 9 | x9 | |
| 10 | x10 | |
| 11 | y |
数据详情如下(部分展示)：
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据：
关键代码：
3.2 数据缺失查看
使用Pandas工具的info()方法查看数据信息：
从上图可以看到，总共有11个变量，数据中无缺失值，共2000条数据。
关键代码：
3.3 数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下：
4.探索性数据分析
4.1 y变量柱状图
用Matplotlib工具的plot()方法绘制柱状图：
4.2 y=1样本x1变量分布直方图
用Matplotlib工具的hist()方法绘制直方图：
4.3 相关性分析
从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。
5.特征工程
5.1 建立特征数据和标签数据
关键代码如下：
5.2 数据集拆分
通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：
6.构建泊松模型
主要使用Poisson算法，用于目标分类。
6.1 构建模型
| 编号 | 模型名称 | 参数 |
| 1 | Poisson模型 | 默认参数 |
6.2 模型的摘要信息
7.模型评估
7.1 评估指标及结果
评估指标主要包括准确率、查准率、查全率、F1分值等等。
| 模型名称 | 指标名称 | 指标值 |
| 测试集 | ||
| Poisson模型 | 准确率 | 0.8800 |
| 查准率 | 0.8861 | |
| 查全率 | 0.8775 | |
| F1分值 | 0.8818 | |
从上表可以看出，F1分值为0.8818，说明模型效果较好。
关键代码如下：
7.2 分类报告
从上图可以看出，分类为0的F1分值为0.88；分类为1的F1分值为0.88。
7.3 混淆矩阵
从上图可以看出，实际为0预测不为0的 有23个样本；实际为1预测不为1的 有25个样本，整体预测准确率良好。
8.结论与展望
综上所述，本文采用了Poisson算法来构建泊松模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。
# 本次机器学习项目实战所需的资料，项目资源如下：# 项目说明：# 获取方式一：# 项目实战合集导航：https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2# 获取方式二：链接：https://pan.baidu.com/s/1wRUrft4nv7ME1xE-kk1vGA
提取码：jcik
