Множественная логистическая регрессия

Как правило, для предсказания вероятности дефолта не используют только loan_int_rate. Чтобы получить более точные результаты, стоит задействовать все доступные данные.

Попробуйте обучить новую модель, используя несколько столбцов — признаков — из набора данных cr_loan_clean. Будет ли эта модель отличаться от первой? Это легко проверить по значению .intercept_ логистической регрессии. Напомним, что это точка пересечения с осью y и общее значение логарифма отношения шансов для случая отсутствия дефолта.

Набор данных cr_loan_clean уже загружен в рабочей среде вместе с предыдущей моделью clf_logistic_single.

Это упражнение является частью курса

Моделирование кредитного риска на Python

Посмотреть курс

Инструкции к упражнению

Создайте новый набор данных X, включив в него loan_int_rate и person_emp_length. Сохраните его как X_multi.
Создайте набор данных y, содержащий только loan_status.
Создайте модель LogisticRegression() и обучите её с помощью .fit() на новых данных X. Сохраните модель как clf_logistic_multi.
Выведите значение .intercept_ модели.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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(____.____)

Редактировать и запускать код