Podstawy regresji logistycznej
Dane zostały już wyczyszczone i powstał nowy zbiór cr_loan_clean.
Przypomni sobie ostatni wykres punktowy z rozdziału 1, który pokazał, że większa liczba niespłaconych kredytów wiąże się z wysokim loan_int_rate. Stopy procentowe są łatwe do zrozumienia, ale czy naprawdę dobrze nadają się do przewidywania prawdopodobieństwa niewywiązania się ze spłaty?
Ponieważ nie próbowałeś jeszcze prognozować prawdopodobieństwa defaultu, sprawdź, jak działa model regresji logistycznej oparty wyłącznie na loan_int_rate. Przyjrzyj się też wewnętrznym parametrom modelu – określają one jego strukturę dla tej jednej kolumny.
Zbiór danych cr_loan_clean jest już wczytany do środowiska pracy.
To ćwiczenie jest częścią kursu
Modelowanie ryzyka kredytowego w Pythonie
Instrukcje do ćwiczenia
- Utwórz zestawy
Xiy, korzystając z kolumnloan_int_rateorazloan_status. - Utwórz model regresji logistycznej, dopasuj go do danych treningowych i nadaj mu nazwę
clf_logistic_single. - Wyświetl parametry modelu za pomocą
.get_params(). - Sprawdź wyraz wolny modelu, korzystając z atrybutu
.intercept_.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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(____.____)