เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

พื้นฐาน Logistic Regression

ตอนนี้คุณได้ทำความสะอาดข้อมูลและสร้างชุดข้อมูลใหม่ cr_loan_clean เรียบร้อยแล้ว

ลองนึกถึง scatter plot สุดท้ายในบทที่ 1 ซึ่งแสดงให้เห็นว่าการผิดนัดชำระหนี้มักเกิดขึ้นเมื่อ loan_int_rate สูง อัตราดอกเบี้ยเป็นตัวแปรที่เข้าใจง่าย แต่จะมีประโยชน์แค่ไหนในการพยากรณ์ความน่าจะเป็นของการผิดนัดชำระ?

เนื่องจากยังไม่เคยลองพยากรณ์ความน่าจะเป็นของการผิดนัดชำระมาก่อน ให้ลองสร้างและฝึก logistic regression โดยใช้แค่ loan_int_rate จากนั้นตรวจสอบพารามิเตอร์ภายในของโมเดล ซึ่งทำหน้าที่คล้ายกับการตั้งค่า เพื่อดูโครงสร้างของโมเดลที่ใช้คอลัมน์เดียวนี้

ข้อมูล cr_loan_clean ถูกโหลดไว้ใน workspace แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้างชุดข้อมูล X และ y โดยใช้คอลัมน์ loan_int_rate และ loan_status
  • สร้างและ fit โมเดล logistic regression กับข้อมูล training แล้วตั้งชื่อว่า clf_logistic_single
  • แสดงพารามิเตอร์ของโมเดลด้วย .get_params()
  • ตรวจสอบ intercept ของโมเดลด้วย attribute .intercept_

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(____.____)
แก้ไขและรันโค้ด