ロジスティック回帰の基礎
これまでにデータをクレンジングし、新しいデータセット cr_loan_clean を作成しました。
第1章の最後の散布図を思い出してください。loan_int_rate が高いほど延滞（デフォルト）が多いことを示していました。金利は直感的に理解しやすい特徴ですが、デフォルト確率の予測にはどれくらい役立つのでしょうか？
まだデフォルト確率の予測は試していないので、まずは loan_int_rate だけを用いてロジスティック回帰モデルを作成・学習してみましょう。また、この1列で構築したモデルの構造を確認するため、設定に相当するモデル内部のパラメータも確認してみてください。
cr_loan_clean はすでにワークスペースに読み込まれています。
この演習はコースの一部です
Pythonで学ぶクレジットリスクモデリング
演習の手順
- 列
loan_int_rateとloan_statusを使ってXとyを作成します。 - 学習データにロジスティック回帰モデルを作成して学習し、
clf_logistic_singleという名前を付けます。 .get_params()を使ってモデルのパラメータを表示します。.intercept_属性でモデルの切片を確認します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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(____.____)