Lojistik regresyona giriş

Artık veriyi temizledin ve yeni cr_loan_clean veri kümesini oluşturdun.

bölümdeki son saçılım grafiğini hatırla: loan_int_rate yüksek olduğunda daha fazla temerrüt vardı. Faiz oranlarını anlamak kolay, peki temerrüt olasılığını tahmin etmek için ne kadar kullanışlılar?

Henüz temerrüt olasılığını tahmin etmeyi denemediğin için, yalnızca loan_int_rate kullanarak bir lojistik regresyon modeli oluşturup eğitmeyi dene. Ayrıca modelin tek bu sütunla nasıl bir yapıya sahip olduğunu görmek için, ayarlar gibi düşünebileceğin dahili parametrelerini de kontrol et.

cr_loan_clean verisi çalışma alanına zaten yüklendi.

Bu egzersiz, kursun bir parçasıdır

Python ile Kredi Riski Modellemesi

Kursa Göz Atın

Egzersiz talimatları

loan_int_rate ve loan_status sütunlarını kullanarak X ve y kümelerini oluştur.
Eğitim verisine bir lojistik regresyon modeli oluşturup eğit ve adı clf_logistic_single olsun.
Modelin parametrelerini .get_params() ile yazdır.
Modelin kesişimini .intercept_ özelliğiyle kontrol et.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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(____.____)

Kodu Düzenle ve Çalıştır