लॉजिस्टिक रिग्रेशन की बुनियाद
आपने अब डेटा को क्लीन कर लिया है और नया डेटा सेट cr_loan_clean बना लिया है.
अध्याय 1 के आखिरी स्कैटर प्लॉट को याद कीजिए, जिसमें loan_int_rate अधिक होने पर डिफॉल्ट्स ज़्यादा दिखे थे. ब्याज दरें समझना आसान है, लेकिन डिफॉल्ट की probability को predict करने में वे कितनी उपयोगी हैं?
चूँकि आपने अभी तक डिफॉल्ट की probability predict करने की कोशिश नहीं की है, तो सिर्फ loan_int_rate के साथ एक लॉजिस्टिक रिग्रेशन मॉडल बनाकर उसे ट्रेन कीजिए. साथ ही, मॉडल के आंतरिक parameters (यानी settings) भी देखें, ताकि एक कॉलम वाले इस मॉडल की संरचना समझ सकें.
डेटा cr_loan_clean पहले से ही वर्कस्पेस में लोड है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में क्रेडिट रिस्क मॉडलिंग
अभ्यास निर्देश
loan_int_rateऔरloan_statusकॉलम का उपयोग करकेXऔरyसेट बनाएँ.- प्रशिक्षण डेटा पर एक लॉजिस्टिक रिग्रेशन मॉडल बनाएँ और फिट करें, और उसका नाम
clf_logistic_singleरखें. .get_params()से मॉडल के parameters प्रिंट करें..intercept_एट्रिब्यूट से मॉडल का इंटरसेप्ट जाँचें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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(____.____)