Prognozowanie prawdopodobieństwa niewywiązania się ze zobowiązania

Przetwarzanie danych jest zakończone – czas przystąpić do tworzenia prognoz prawdopodobieństwa niewywiązania się ze zobowiązania. Wytrenuj model LogisticRegression() na danych i sprawdź, jak prognozuje to prawdopodobieństwo.

Aby lepiej zrozumieć, co zwraca predict_proba, porównaj przykładowy rekord z odpowiadającym mu prognozowanym prawdopodobieństwem. Jak wyglądają pierwsze pięć prognoz na tle rzeczywistych wartości loan_status?

Zbiór danych cr_loan_prep oraz zmienne X_train, X_test, y_train i y_test są już załadowane w środowisku roboczym.

To ćwiczenie jest częścią kursu

Modelowanie ryzyka kredytowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Wytrenuj model regresji logistycznej na danych treningowych i zapisz go jako clf_logistic.
Użyj predict_proba() na danych testowych, aby utworzyć prognozy, i zapisz je w zmiennej preds.
Utwórz dwie ramki danych – preds_df i true_df – przechowujące odpowiednio pierwsze pięć prognoz oraz rzeczywiste wartości loan_status.
Wyświetl true_df i preds_df razem, korzystając z .concat().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Train the logistic regression model on the training data
____ = ____(solver='lbfgs').____(____, np.ravel(____))

# Create predictions of probability for loan status using test data
____ = clf_logistic.____(____)

# Create dataframes of first five predictions, and first five true labels
____ = pd.DataFrame(____[:,1][0:5], columns = ['prob_default'])
____ = y_test.____()

# Concatenate and print the two data frames for comparison
print(pd.____([true_df.reset_index(drop = True), preds_df], axis = 1))

Edytuj i uruchom kod