Predikce pravděpodobnosti defaultu

Zpracování dat je hotové a přišel čas začít předpovídat pravděpodobnost defaultu. Natrénuješ model LogisticRegression() na připravených datech a podíváš se, jak odhaduje pravděpodobnost, že dlužník nesplatí úvěr.

Abys lépe pochopil/a, co model vrací pomocí predict_proba, porovnáš si ukázkový záznam s předpovězenou pravděpodobností defaultu. Jak si vedou prvních pět predikcí ve srovnání se skutečnými hodnotami loan_status?

Dataset cr_loan_prep spolu s proměnnými X_train, X_test, y_train a y_test jsou v pracovním prostředí již načteny.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

Natrénuj model logistické regrese na trénovacích datech a ulož ho jako clf_logistic.
Pomocí predict_proba() vytvoř predikce na testovacích datech a ulož je do proměnné preds.
Vytvoř dva datové rámce, preds_df a true_df, pro uložení prvních pěti predikcí a skutečných hodnot loan_status.
Vypiš true_df a preds_df společně pomocí .concat().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Train the logistic regression model on the training data
____ = ____(solver='lbfgs').____(____, np.ravel(____))

# Create predictions of probability for loan status using test data
____ = clf_logistic.____(____)

# Create dataframes of first five predictions, and first five true labels
____ = pd.DataFrame(____[:,1][0:5], columns = ['prob_default'])
____ = y_test.____()

# Concatenate and print the two data frames for comparison
print(pd.____([true_df.reset_index(drop = True), preds_df], axis = 1))

Upravit a spustit kód