Bazele regresiei logistice

Ai curățat datele și ai creat noul set de date cr_loan_clean.

Gândește-te la ultimul grafic scatter din capitolul 1, care arăta mai multe cazuri de nerambursare la valori ridicate ale loan_int_rate. Ratele dobânzii sunt ușor de înțeles, dar cât de utile sunt ele pentru a prezice probabilitatea de nerambursare?

Deoarece nu ai încercat încă să prezici probabilitatea de nerambursare, testează crearea și antrenarea unui model de regresie logistică folosind doar loan_int_rate. Verifică și parametrii interni ai modelului – aceștia funcționează ca niște setări – pentru a înțelege structura modelului cu această singură coloană.

Setul de date cr_loan_clean a fost deja încărcat în spațiul de lucru.

Acest exercițiu face parte din cursul

Modelarea Riscului de Credit în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Creează seturile X și y folosind coloanele loan_int_rate și loan_status.
Creează și antrenează un model de regresie logistică pe datele de antrenament și denumește-l clf_logistic_single.
Afișează parametrii modelului folosind .get_params().
Verifică interceptul modelului cu atributul .intercept_.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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(____.____)

Editează și rulează codul