Nozioni di base sulla regressione logistica
Hai pulito i dati e creato il nuovo insieme di dati cr_loan_clean.
Ripensa allo scatter plot finale del capitolo 1, che mostrava più insolvenze con loan_int_rate elevato. I tassi di interesse sono intuitivi, ma quanto sono utili per prevedere la probabilità di default?
Dato che non hai ancora provato a prevedere la probabilità di default, prova a creare e addestrare un modello di regressione logistica usando solo loan_int_rate. Controlla anche i parametri interni del modello, che sono come impostazioni, per capire la struttura del modello con questa singola colonna.
I dati cr_loan_clean sono già stati caricati nell'ambiente di lavoro.
Questo esercizio fa parte del corso
Credit Risk Modeling in Python
Istruzioni dell'esercizio
- Crea i set
Xeyusando le colonneloan_int_rateeloan_status. - Crea e adestra un modello di regressione logistica sui dati di training e chiamalo
clf_logistic_single. - Stampa i parametri del modello con
.get_params(). - Controlla l'intercetta del modello con l'attributo
.intercept_.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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(____.____)