Základy logistické regrese

Data jsou vyčištěná a máš k dispozici novou datovou sadu cr_loan_clean.

Vzpomeň si na závěrečný bodový graf z první kapitoly, který ukazoval více defaultů při vysokém loan_int_rate. Úroková míra je intuitivní ukazatel – ale jak dobře vlastně dokáže předpovědět pravděpodobnost defaultu?

Protože jsi pravděpodobnost defaultu zatím nepředpovídal/a, zkus vytvořit a natrénovat model logistické regrese pouze s proměnnou loan_int_rate. Podívej se také na interní parametry modelu – fungují jako jeho nastavení – a prozkoumej strukturu modelu s touto jednou proměnnou.

Data cr_loan_clean jsou v pracovním prostoru už načtená.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

Vytvoř sady X a y pomocí sloupců loan_int_rate a loan_status.
Vytvoř model logistické regrese, natrénuj ho na trénovacích datech a pojmenuj ho clf_logistic_single.
Vypiš parametry modelu pomocí .get_params().
Zkontroluj intercept modelu pomocí atributu .intercept_.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create the X and y data sets
X = ____[[____]]
y = ____[[____]]

# Create and fit a logistic regression model
____ = ____()
clf_logistic_single.____(X, np.ravel(____))

# Print the parameters of the model
print(____.____())

# Print the intercept of the model
print(____.____)

Upravit a spustit kód