Notions de base de la régression logistique

Vous avez maintenant nettoyé les données et créé le nouvel ensemble cr_loan_clean.

Repensez au nuage de points final du chapitre 1 qui montrait davantage de défauts lorsque loan_int_rate était élevée. Les taux d'intérêt sont faciles à comprendre, mais à quel point sont-ils utiles pour prédire la probabilité de défaut?

Comme vous n'avez pas encore tenté de prédire la probabilité de défaut, essayez de créer et d'entraîner un modèle de régression logistique avec seulement loan_int_rate. Vérifiez aussi les paramètres internes du modèle, qui agissent comme des réglages, pour voir la structure du modèle avec cette seule colonne.

Les données cr_loan_clean ont déjà été chargées dans l'espace de travail.

Cette activité fait partie du cours

Modélisation du risque de crédit en Python

Voir le cours

Instructions de l’exercice

Créez les ensembles X et y à partir des colonnes loan_int_rate et loan_status.
Créez et entraînez un modèle de régression logistique sur les données d'entraînement et nommez-le clf_logistic_single.
Affichez les paramètres du modèle avec .get_params().
Vérifiez l'ordonnée à l'origine du modèle à l'aide de l'attribut .intercept_.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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(____.____)

Modifier et exécuter le code