Régression logistique multivariée

En général, vous n'utiliserez pas seulement loan_int_rate pour prédire la probabilité de défaut. Vous voudrez exploiter toutes les données disponibles pour faire vos prédictions.

Dans cette optique, entraînez un nouveau modèle avec différentes colonnes, appelées caractéristiques (features), du jeu de données cr_loan_clean. Ce modèle sera-t-il différent du premier ? Pour le vérifier facilement, vous pouvez consulter la .intercept_ de la régression logistique. Rappelez-vous qu'il s'agit de l'ordonnée à l'origine de la fonction et des log-cotes globaux de non-défaut.

Le jeu de données cr_loan_clean a été chargé dans l'espace de travail, de même que le modèle précédent clf_logistic_single.

Cette activité fait partie du cours

Modélisation du risque de crédit en Python

Voir le cours

Instructions de l’exercice

Créez un nouveau jeu de données X avec loan_int_rate et person_emp_length. Nommez-le X_multi.
Créez un jeu de données y avec seulement loan_status.
Créez un modèle LogisticRegression() et appliquez-lui .fit() sur les nouvelles données X. Nommez-le clf_logistic_multi.
Affichez la valeur de .intercept_ du modèle

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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(____.____)

Modifier et exécuter le code