Regresie logistică multivariată

În general, nu vei folosi doar loan_int_rate pentru a prezice probabilitatea de nerambursare. Vei dori să utilizezi toate datele disponibile pentru a face predicții.

În acest context, încearcă să antrenezi un model nou cu coloane diferite, numite caracteristici, din datele cr_loan_clean. Va fi acest model diferit față de primul? Pentru a verifica, poți consulta cu ușurință .intercept_ al regresiei logistice. Ține minte că aceasta reprezintă intersecția cu axa y a funcției și log-odds-ul general al non-nerambursării.

Datele cr_loan_clean au fost încărcate în spațiul de lucru împreună cu modelul anterior clf_logistic_single.

Acest exercițiu face parte din cursul

Modelarea Riscului de Credit în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Creează un nou set de date X cu loan_int_rate și person_emp_length. Salvează-l ca X_multi.
Creează un set de date y care să conțină doar loan_status.
Creează și antrenează (.fit()) un model LogisticRegression() pe noul set de date X. Salvează-l ca clf_logistic_multi.
Afișează valoarea .intercept_ a modelului.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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(____.____)

Editează și rulează codul