Prédire la probabilité de défaut

Tout le traitement des données est terminé ; il est temps de générer des prédictions de probabilité de défaut. Vous voulez entraîner un modèle LogisticRegression() sur les données et examiner comment il prédit la probabilité de défaut.

Pour mieux comprendre ce que le modèle produit avec predict_proba, vous devez regarder un exemple d'enregistrement côte à côte avec la probabilité de défaut prédite. À quoi ressemblent les cinq premières prédictions comparées aux valeurs réelles de loan_status ?

L'ensemble de données cr_loan_prep ainsi que X_train, X_test, y_train et y_test sont déjà chargés 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

Entraînez un modèle de régression logistique sur les données d'entraînement et enregistrez-le dans clf_logistic.
Utilisez predict_proba() sur les données de test pour créer les prédictions et stockez-les dans preds.
Créez deux trames de données, preds_df et true_df, pour conserver les cinq premières prédictions et les vraies valeurs de loan_status.
Affichez true_df et preds_df ensemble en un seul ensemble à l'aide de .concat().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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))

Modifier et exécuter le code