शुरू करेंमुफ़्त में शुरू करें

मल्टीवेरिएट लॉजिस्टिक रिग्रेशन

आमतौर पर, आप डिफॉल्ट की प्रायिकता प्रेडिक्ट करने के लिए केवल loan_int_rate का उपयोग नहीं करेंगे. आप प्रेडिक्शन के लिए उपलब्ध सारे डेटा का उपयोग करना चाहेंगे.

इसी बात को ध्यान में रखते हुए, cr_loan_clean डेटा से अलग-अलग कॉलम, जिन्हें फीचर्स कहते हैं, के साथ एक नया मॉडल ट्रेन करके देखें. क्या यह मॉडल पहले वाले से अलग होगा? इसे परखने के लिए आप आसानी से लॉजिस्टिक रिग्रेशन का .intercept_ देख सकते हैं. याद रखें, यह फंक्शन का y-इंटरसेप्ट होता है और नॉन-डिफॉल्ट के ओवरऑल लॉग-ऑड्स को दर्शाता है.

cr_loan_clean डेटा और पिछला मॉडल clf_logistic_single वर्कस्पेस में लोड कर दिए गए हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में क्रेडिट रिस्क मॉडलिंग

पाठ्यक्रम देखें

अभ्यास निर्देश

  • loan_int_rate और person_emp_length के साथ नया X डेटासेट बनाएँ. इसे X_multi के रूप में स्टोर करें.
  • सिर्फ loan_status के साथ y डेटासेट बनाएँ.
  • नए X डेटा पर LogisticRegression() मॉडल बनाएँ और .fit() करें. इसे clf_logistic_multi के रूप में स्टोर करें.
  • मॉडल का .intercept_ वैल्यू प्रिंट करें

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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(____.____)
कोड संपादित करें और चलाएँ