다변량 로지스틱 회귀

일반적으로 loan_int_rate만으로 부도 확률을 예측하지는 않아요. 가능한 모든 데이터를 활용해 예측하는 것이 좋습니다.

이 점을 염두에 두고, cr_loan_clean 데이터에서 다른 열(피처)들을 사용해 새로운 모델을 학습해 보세요. 이 모델은 첫 번째 모델과 다를까요? 이를 확인하려면 로지스틱 회귀의 .intercept_ 값을 쉽게 확인할 수 있어요. 이 값은 함수의 y절편이며, 전반적인 비부도에 대한 로그 오즈(log-odds)를 의미한다는 점을 기억하세요.

cr_loan_clean 데이터와 이전 모델 clf_logistic_single은 작업 공간에 로드되어 있습니다.

이 연습은 강의의 일부입니다

Python으로 배우는 신용 리스크 모델링

강의 보기

연습 안내

loan_int_rate와 person_emp_length로 새로운 X 데이터 세트를 만들고, X_multi로 저장하세요.
loan_status만 포함한 y 데이터 세트를 만드세요.
새로운 X 데이터에 대해 LogisticRegression() 모델을 생성하고 .fit() 하세요. clf_logistic_multi로 저장하세요.
모델의 .intercept_ 값을 출력하세요

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# 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(____.____)

코드 편집 및 실행