Grunderna i logistisk regression

Du har nu rensat data och skapat den nya datamängden cr_loan_clean.

Tänk tillbaka på det sista spridningsdiagrammet från kapitel 1, som visade fler betalningsinställningar vid hög loan_int_rate. Räntor är lätta att förstå – men hur användbara är de egentligen för att förutsäga sannolikheten för betalningsinställelse?

Eftersom du ännu inte har provat att förutsäga den sannolikheten, är det dags att skapa och träna en logistisk regressionsmodell med enbart loan_int_rate. Kontrollera också modellens interna parametrar – dessa fungerar som inställningar – för att se modellens struktur med den här enstaka kolumnen.

Datan cr_loan_clean är redan inläst i arbetsytan.

Den här övningen är en del av kursen

Kreditriskmodellering i Python

Visa kurs

Övningsinstruktioner

Skapa X- och y-setten med kolumnerna loan_int_rate och loan_status.
Skapa och anpassa en logistisk regressionsmodell på träningsdata och kalla den clf_logistic_single.
Skriv ut modellens parametrar med .get_params().
Kontrollera modellens intercept med attributet .intercept_.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(____.____)

Redigera och kör kod