Tworzenie zbiorów treningowego i testowego

Udało ci się wytrenować modele LogisticRegression() na różnych kolumnach.

Wiesz już, że dane należy podzielić na zbiór treningowy i testowy. Funkcja test_train_split() pozwala utworzyć oba zbiory jednocześnie. Zbiór treningowy służy do uczenia modelu, a testowy – do jego oceny. Bez ewaluacji nie ma możliwości sprawdzenia, jak dobrze model poradzi sobie z nowymi danymi kredytowymi.

Oprócz atrybutu intercept_ modele LogisticRegression() mają również atrybut .coef_. Pokazuje on, jak duży wpływ na przewidywanie prawdopodobieństwa niewykonania zobowiązania ma każda z kolumn treningowych.

Zbiór danych cr_loan_clean jest już wczytany do obszaru roboczego.

To ćwiczenie jest częścią kursu

Modelowanie ryzyka kredytowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz zbiór X z kolumnami: stopa procentowa, staż zatrudnienia i dochód. Utwórz zbiór y z kolumną statusu kredytu.
Użyj funkcji train_test_split(), aby podzielić X i y na zbiory treningowy i testowy.
Utwórz i wytrenuj model LogisticRegression(), zapisując go jako clf_logistic.
Wyświetl współczynniki modelu za pomocą .coef_.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create the X and y data sets
X = ____[[____,____,____]]
y = ____[[____]]

# Use test_train_split to create the training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, test_size=.4, random_state=123)

# Create and fit the logistic regression model
____ = ____(solver='lbfgs').____(____, np.ravel(____))

# Print the models coefficients
print(____.coef_)

Edytuj i uruchom kod