Förutsäga sannolikheten för fallissemang

All databearbetning är klar och det är dags att börja skapa förutsägelser för sannolikheten för fallissemang. Du ska träna en LogisticRegression()-modell på datan och undersöka hur den förutsäger sannolikheten för fallissemang.

För att bättre förstå vad modellen producerar med predict_proba bör du titta på ett exempelobjekt tillsammans med den förutsagda sannolikheten för fallissemang. Hur ser de fem första förutsägelserna ut jämfört med de faktiska värdena för loan_status?

Datamängden cr_loan_prep samt X_train, X_test, y_train och y_test har redan laddats in i arbetsmiljön.

Den här övningen är en del av kursen

Kreditriskmodellering i Python

Visa kurs

Övningsinstruktioner

Träna en logistisk regressionsmodell på träningsdatan och lagra den som clf_logistic.
Använd predict_proba() på testdatan för att skapa förutsägelserna och lagra dem i preds.
Skapa två dataramar, preds_df och true_df, för att lagra de fem första förutsägelserna och de sanna värdena för loan_status.
Skriv ut true_df och preds_df som en gemensam tabell med .concat().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Train the logistic regression model on the training data
____ = ____(solver='lbfgs').____(____, np.ravel(____))

# Create predictions of probability for loan status using test data
____ = clf_logistic.____(____)

# Create dataframes of first five predictions, and first five true labels
____ = pd.DataFrame(____[:,1][0:5], columns = ['prob_default'])
____ = y_test.____()

# Concatenate and print the two data frames for comparison
print(pd.____([true_df.reset_index(drop = True), preds_df], axis = 1))

Redigera och kör kod