Прогнозування ймовірності дефолту

Увесь препроцесінг даних завершено, і час почати створювати прогнози ймовірності дефолту. Ви хочете натренувати модель LogisticRegression() на даних і подивитися, як вона прогнозує ймовірність дефолту.

Щоб краще зрозуміти, що повертає модель через predict_proba, варто подивитися на приклад запису поруч із передбаченою ймовірністю дефолту. Як виглядають перші п'ять прогнозів порівняно з фактичними значеннями loan_status?

Набір даних cr_loan_prep, а також X_train, X_test, y_train і y_test уже завантажено в робочий простір.

Ця вправа є частиною курсу

Моделювання кредитного ризику в Python

Переглянути курс

Інструкції до вправи

Натренуйте модель логістичної регресії на тренувальних даних і збережіть її як clf_logistic.
Використайте predict_proba() на тестових даних, щоб отримати прогнози, і збережіть їх у preds.
Створіть два датафрейми, preds_df і true_df, щоб зберегти перші п'ять прогнозів та істинні значення loan_status.
Виведіть true_df і preds_df разом, використавши .concat().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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))

Редагувати та запускати код