로지스틱 회귀 기초
이제 데이터를 정리해서 새 데이터 세트 cr_loan_clean을(를) 만들었어요.
1장 마지막 산점도를 떠올려 보세요. loan_int_rate가 높을수록 연체가 더 많았죠. 금리는 이해하기 쉽지만, 연체 확률을 예측하는 데 얼마나 유용할까요?
아직 연체 확률을 예측해 보지는 않았으니, 우선 loan_int_rate 하나만 사용해서 로지스틱 회귀 모델을 만들고 학습해 보세요. 또한 이 한 열로 구성된 모델의 구조를 살펴보기 위해, 설정값과 같은 모델의 내부 파라미터도 확인해 보세요.
데이터 cr_loan_clean은(는) 이미 작업 공간에 로드되어 있어요.
이 연습은 강의의 일부입니다
Python으로 배우는 신용 리스크 모델링
연습 안내
loan_int_rate와loan_status열을 사용해X와y세트를 만드세요.- 학습 데이터에 로지스틱 회귀 모델을 생성하고 적합하여 이름을
clf_logistic_single로 하세요. .get_params()로 모델의 파라미터를 출력하세요..intercept_속성으로 모델의 절편을 확인하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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(____.____)