Багатофакторна логістична регресія

Зазвичай ви не будете використовувати лише loan_int_rate, щоб передбачити ймовірність дефолту. Щоб робити прогнози, краще задіяти всі наявні у вас дані.

З огляду на це, спробуйте навчити нову модель з іншими стовпцями, тобто ознаками, із даних cr_loan_clean. Чи відрізнятиметься ця модель від першої? Щоб це перевірити, зручно подивитися на .intercept_ логістичної регресії. Пам'ятайте, що це перетин із віссю y для функції та загальні лог-співвідношення шансів відсутності дефолту.

Дані cr_loan_clean уже завантажено в робочу область разом із попередньою моделлю clf_logistic_single.

Ця вправа є частиною курсу

Моделювання кредитного ризику в Python

Переглянути курс

Інструкції до вправи

Створіть новий набір даних X з loan_int_rate і person_emp_length. Збережіть його як X_multi.
Створіть набір даних y, що містить лише loan_status.
Створіть і навчіть (.fit()) модель LogisticRegression() на нових даних X. Збережіть її як clf_logistic_multi.
Виведіть значення .intercept_ моделі.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____.____)

Редагувати та запускати код