Regresión logística multivariante

Generalmente, no utilizarás solo loan_int_rate para predecir la probabilidad de impago. Querrás utilizar todos los datos que tengas para hacer predicciones.

Teniendo esto en cuenta, intenta entrenar un nuevo modelo con diferentes columnas, llamadas características, de los datos de cr_loan_clean. ¿Difiere este modelo del primero? Para ello, puedes comprobar fácilmente la .intercept_ de la regresión logística. Recuerda que este es el punto de corte en «y» de la función y las probabilidades logarítmicas generales de un valor no predeterminado.

Los datos de cr_loan_clean se han cargado en el espacio de trabajo junto con el modelo anterior clf_logistic_single.

Este ejercicio forma parte del curso

Modelado del riesgo crediticio en Python

Ver curso

Instrucciones de ejercicio

Crea un nuevo conjunto de datos X con loan_int_rate y person_emp_length. Guárdalo como X_multi.
Crea un conjunto de datos y solo con loan_status.
Crea y .fit() un modelo LogisticRegression() sobre los nuevos datos X. Guárdalo como clf_logistic_multi.
Imprime el valor .intercept_ del modelo

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# 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(____.____)

Editar y ejecutar código