Začněte nyníZačněte zdarma

Multivariační logistická regrese

V praxi nebudeš pro predikci pravděpodobnosti selhání používat pouze loan_int_rate. Chceš zapojit všechna dostupná data.

Zkus proto natrénovat nový model s různými sloupci, které nazýváme příznaky (features), z dat cr_loan_clean. Bude se tento model lišit od předchozího? Snadno to ověříš pomocí .intercept_ logistické regrese. Připomeň si, že jde o průsečík funkce s osou y a celkové log-odds pro případ, kdy k selhání nedojde.

Data cr_loan_clean jsou v pracovním prostředí k dispozici spolu s předchozím modelem clf_logistic_single.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř novou sadu X se sloupci loan_int_rate a person_emp_length. Ulož ji jako X_multi.
  • Vytvoř sadu y obsahující pouze sloupec loan_status.
  • Vytvoř model LogisticRegression(), natrénuj ho pomocí .fit() na nových datech X a ulož ho jako clf_logistic_multi.
  • Vypiš hodnotu .intercept_ tohoto modelu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create X data for the model
X_multi = ____[[____,____]]

# Create a set of y data for training
y = ____[[____]]

# Create and train a new logistic regression
clf_logistic_multi = ____(solver='lbfgs').____(____, np.ravel(____))

# Print the intercept of the model
print(____.____)
Upravit a spustit kód