Conceptos básicos de la regresión logística
Ya has limpiado los datos y creado el nuevo conjunto de datos cr_loan_clean.
Piensa en el diagrama de dispersión final del capítulo 1, que mostraba más impagos con loan_int_rate alto. Los tipos de interés son fáciles de entender, pero ¿hasta qué punto son útiles para predecir la probabilidad de impago?
Como aún no has probado a predecir la probabilidad de impago, prueba a crear y entrenar un modelo de regresión logística solo con loan_int_rate. Comprueba también los parámetros internos del modelo, que son como ajustes, para ver la estructura del modelo con esta única columna.
Los datos cr_loan_clean ya se han cargado en el espacio de trabajo.
Este ejercicio forma parte del curso
Modelado del riesgo crediticio en Python
Instrucciones del ejercicio
- Crea los conjuntos
Xeyutilizando las columnasloan_int_rateyloan_status. - Crea y ajusta un modelo de regresión logística a los datos de entrenamiento y llámalo
clf_logistic_single. - Imprime los parámetros del modelo con
.get_params(). - Comprueba la intercepción del modelo con el atributo
.intercept_.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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(____.____)