Skapa tränings- och testmängder

Du har precis tränat LogisticRegression()-modeller på olika kolumner.

Data bör delas upp i en tränings- och en testmängd. test_train_split() används för att skapa båda på en gång. Träningsdatan används för att göra förutsägelser, medan testdatan används för utvärdering. Utan att utvärdera modellen går det inte att avgöra hur väl den presterar på ny lånedata.

Förutom intercept_, som är ett attribut hos modellen, har LogisticRegression()-modeller även attributet .coef_. Det visar hur viktig varje träningskolumn är för att förutsäga sannolikheten för fallissemang.

Datamängden cr_loan_clean är redan inläst i arbetsmiljön.

Den här övningen är en del av kursen

Kreditriskmodellering i Python

Visa kurs

Övningsinstruktioner

Skapa datamängden X med hjälp av ränta, anställningslängd och inkomst. Skapa y-mängden med hjälp av lånestatus.
Använd train_test_split() för att skapa tränings- och testmängderna från X och y.
Skapa och träna en LogisticRegression()-modell och lagra den som clf_logistic.
Skriv ut modellens koefficienter med hjälp av .coef_.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create the X and y data sets
X = ____[[____,____,____]]
y = ____[[____]]

# Use test_train_split to create the training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, test_size=.4, random_state=123)

# Create and fit the logistic regression model
____ = ____(solver='lbfgs').____(____, np.ravel(____))

# Print the models coefficients
print(____.coef_)

Redigera och kör kod