Основи логістичної регресії

Тепер ви очистили дані та створили новий набір cr_loan_clean.

Згадайте підсумкову діаграму розсіювання з розділу 1, де було видно більше дефолтів за високого loan_int_rate. Процентні ставки легко інтерпретувати, але наскільки вони корисні для прогнозування ймовірності дефолту?

Оскільки ви ще не пробували прогнозувати ймовірність дефолту, спробуйте створити й натренувати модель логістичної регресії лише з loan_int_rate. Також перегляньте внутрішні параметри моделі (це своєрідні налаштування), щоб побачити, якою є структура моделі з цим одним стовпцем.

Дані cr_loan_clean уже завантажені в робочий простір.

Ця вправа є частиною курсу

Моделювання кредитного ризику в Python

Переглянути курс

Інструкції до вправи

Створіть вибірки X і y, використавши стовпці loan_int_rate та loan_status.
Створіть і натренуйте модель логістичної регресії на тренувальних даних і назвіть її clf_logistic_single.
Виведіть параметри моделі за допомогою .get_params().
Перевірте вільний член моделі через атрибут .intercept_.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____.____)

Редагувати та запускати код