Temerrüt olasılığını tahmin etme

Tüm veri işleme adımları tamamlandı ve artık temerrüt olasılığı için tahminler üretmeye başlayabilirsin. Veriler üzerinde bir LogisticRegression() modeli eğitmek ve temerrüt olasılığını nasıl tahmin ettiğini incelemek istiyorsun.

Modelin predict_proba ile ne ürettiğini daha iyi kavrayabilmen için, tahmin edilen temerrüt olasılığıyla birlikte örnek bir kayda bakmalısın. İlk beş tahmin, loan_status'un gerçek değerlerine karşılaştırıldığında nasıl görünüyor?

cr_loan_prep veri kümesi ile X_train, X_test, y_train ve y_test çalışma alanına zaten yüklendi.

Bu egzersiz, kursun bir parçasıdır

Python ile Kredi Riski Modellemesi

Kursa Göz Atın

Egzersiz talimatları

Eğitim verisi üzerinde bir lojistik regresyon modeli eğit ve clf_logistic olarak sakla.
Test verisi üzerinde predict_proba() kullanarak tahminleri oluştur ve preds değişkeninde sakla.
İlk beş tahmini ve gerçek loan_status değerlerini saklamak için iki veri çerçevesi, preds_df ve true_df, oluştur.
true_df ve preds_df'yi .concat() kullanarak tek bir küme olarak yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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))

Kodu Düzenle ve Çalıştır