เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Logistic Regression แบบหลายตัวแปร

โดยทั่วไปแล้ว การใช้แค่ loan_int_rate เพียงตัวเดียวในการทำนายความน่าจะเป็นของการผิดนัดชำระหนี้นั้นไม่เพียงพอ ควรนำข้อมูลทั้งหมดที่มีมาใช้ในการทำนาย

ด้วยแนวคิดนี้ ลองฝึกโมเดลใหม่โดยใช้คอลัมน์ต่าง ๆ ที่เรียกว่า features จากชุดข้อมูล cr_loan_clean แล้วโมเดลนี้จะแตกต่างจากโมเดลแรกหรือไม่? สามารถตรวจสอบได้ง่าย ๆ ด้วยการดูค่า .intercept_ ของ logistic regression ซึ่งก็คือจุดตัดแกน y ของฟังก์ชัน และแสดงถึง log-odds โดยรวมของการไม่ผิดนัดชำระหนี้

ชุดข้อมูล cr_loan_clean ถูกโหลดไว้ใน workspace แล้ว พร้อมกับโมเดลก่อนหน้า clf_logistic_single

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้างชุดข้อมูล X ใหม่โดยใช้ loan_int_rate และ person_emp_length แล้วเก็บไว้ในตัวแปร X_multi
  • สร้างชุดข้อมูล y โดยใช้เฉพาะ loan_status
  • สร้างโมเดล LogisticRegression() แล้วเรียก .fit() บนชุดข้อมูล X ใหม่ จากนั้นเก็บไว้ในตัวแปร clf_logistic_multi
  • แสดงค่า .intercept_ ของโมเดล

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(____.____)
แก้ไขและรันโค้ด