神經網路分析程式碼如下

import pandas as pd
filename = 'C:/Users/透心涼i/Desktop/data/data/bankloan.xls'
data_tr = pd.read_excel(filename)

#print(data_tr) # 匯入資料
#讀取資料
x_tr = data_tr.iloc[:,:8]
y_tr = data_tr.iloc[:,8]
#print(x_tr)
#print(y_tr)
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import
 
 Dense, Activation
model = Sequential()  # 建立模型
model.add(Dense(input_dim = 8, units = 16))
model.add(Activation('relu'))  # 用relu函式作為啟用函式，能夠大幅提供準確度
model.add(Dense(input_dim = 16, units = 32))
model.add(Activation('sigmoid'))  
model.add(Dense(input_dim = 32, units = 1))
model.add(Activation('sigmoid
 
'))  # 由於是0-1輸出，用sigmoid函式作為啟用函式
model.compile(loss = 'binary_crossentropy', optimizer = 'adam')
# 編譯模型。由於我們做的是二元分類，所以我們指定損失函式為binary_crossentropy，以及模式為binary
# 另外常見的損失函式還有mean_squared_error、categorical_crossentropy等，請閱讀幫助檔案。
# 求解方法我們指定用adam，還有sgd、rmsprop等可選
model.fit(x_tr, y_tr, epochs = 1000, batch_size = 10)  #
 
 訓練模型，學習一千次
yp = model.predict(x_tr).reshape(len(y_tr))  # 分類預測
score = model.evaluate(x_tr, y_tr, batch_size=256)  #分類預測損失值
print("分類預測損失值")
print(score)

結果如圖：

 決策樹分析程式碼如下：

import pandas as pd
# 引數初始化
import pandas as pd
import os
os.chdir('C:/Users/透心涼i')
data = pd.read_excel('bankloan.xls')
x = data.iloc[:,:8].astype(int)
y = data.iloc[:,8].astype(int)
from sklearn.tree import DecisionTreeClassifier as DTC
dtc = DTC(criterion='entropy')  # 建立決策樹模型，基於資訊熵
dtc.fit(x, y)  # 訓練模型
# 匯入相關函式，視覺化決策樹。
# 匯出的結果是一個dot檔案，需要安裝Graphviz才能將它轉換為pdf或png等格式。
from sklearn.tree import export_graphviz
x = pd.DataFrame(x)
with open(r"C:/Users/透心涼i/Desktop/data/tree3.dot", 'w',encoding="utf-8") as f:
    export_graphviz(dtc, feature_names = x.columns, out_file = f)
    f.close()
from IPython.display import Image  
from sklearn import tree
import pydotplus 
import os
os.environ["PATH"] += os.pathsep + 'C:/Program Files/Graphviz/bin/'
dot_data = tree.export_graphviz(dtc, out_file=None,  #regr_1 是對應分類器
                         feature_names=data.columns[:8],   #對應特徵的名字
                         class_names=data.columns[8],    #對應類別的名字
                         filled=True, rounded=True,  
                         special_characters=True)  
dot_data = dot_data.replace('helvetica', 'MicrosoftYaHei')
graph = pydotplus.graph_from_dot_data(dot_data)  
graph.write_png('C:/Users/透心涼i/Desktop/data/example.png')    #儲存影象
Image(graph.create_png()) 

結果如下：