Çok değişkenli lojistik regresyon

Genelde temerrüt olasılığını tahmin etmek için sadece loan_int_rate kullanmazsın. Tahmin yapmak için elindeki tüm verileri kullanmak istersin.

Bunu göz önünde bulundurarak, cr_loan_clean verisindeki farklı sütunları (özellikler) kullanarak yeni bir model eğitmeyi dene. Bu model ilkinden farklı olacak mı? Bunu görmek için lojistik regresyonun .intercept_ değerini kolayca kontrol edebilirsin. Bunun, fonksiyonun y-kesişimi ve genel temerrüt etmeme log-olasılık oranı olduğunu unutma.

cr_loan_clean verisi ile önceki model clf_logistic_single çalışma alanına yüklendi.

Bu egzersiz

Python ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

loan_int_rate ve person_emp_length ile yeni bir X veri seti oluştur. Bunu X_multi olarak kaydet.
Sadece loan_status ile bir y veri seti oluştur.
Yeni X verisi üzerinde bir LogisticRegression() modeli oluştur ve .fit() et. Bunu clf_logistic_multi olarak kaydet.
Modelin .intercept_ değerini yazdır

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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(____.____)

Kodu Düzenle ve Çalıştır