Основы логистической регрессии
Вы очистили данные и подготовили новый набор cr_loan_clean.
Вспомните финальный точечный график из главы 1: он показал, что при высоком значении loan_int_rate число дефолтов растёт. Процентная ставка — понятный показатель, но насколько она полезна для предсказания вероятности дефолта?
Поскольку вы ещё не строили такие прогнозы, попробуйте создать и обучить модель логистической регрессии, используя только loan_int_rate. Также изучите внутренние параметры модели — своего рода её настройки — чтобы понять структуру модели на основе одного признака.
Набор данных cr_loan_clean уже загружен в рабочей среде.
Это упражнение является частью курса
Моделирование кредитного риска на Python
Инструкции к упражнению
- Создайте наборы
Xиy, используя столбцыloan_int_rateиloan_status. - Создайте модель логистической регрессии, обучите её на обучающих данных и назовите
clf_logistic_single. - Выведите параметры модели с помощью
.get_params(). - Проверьте свободный член модели с помощью атрибута
.intercept_.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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(____.____)