Multivariat logistisk regression

Vanligtvis använder du inte enbart loan_int_rate för att förutsäga sannolikheten för fallissemang. Du vill utnyttja all tillgänglig data för att göra prediktioner.

Med det i åtanke – träna en ny modell med olika kolumner, så kallade särdrag, från datamängden cr_loan_clean. Skiljer sig den här modellen från den första? Det kan du enkelt kontrollera genom att jämföra .intercept_-värdet för den logistiska regressionen. Kom ihåg att detta är funktionens y-intercept och representerar de övergripande log-oddsen för icke-fallissemang.

Datamängden cr_loan_clean är inläst i arbetsutrymmet tillsammans med den tidigare modellen clf_logistic_single.

Den här övningen är en del av kursen

Kreditriskmodellering i Python

Visa kurs

Övningsinstruktioner

Skapa en ny X-datamängd med loan_int_rate och person_emp_length. Spara den som X_multi.
Skapa en y-datamängd med enbart loan_status.
Skapa och anpassa (.fit()) en LogisticRegression()-modell på den nya X-datamängden. Spara den som clf_logistic_multi.
Skriv ut modellens .intercept_-värde.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(____.____)

Redigera och kör kod