Những điều cơ bản về hồi quy logistic
Bạn đã làm sạch dữ liệu và tạo bộ dữ liệu mới cr_loan_clean.
Hãy nhớ lại biểu đồ phân tán cuối cùng ở chương 1 cho thấy tỷ lệ vỡ nợ cao hơn khi loan_int_rate cao. Lãi suất dễ hiểu, nhưng chúng hữu ích đến mức nào trong việc dự đoán xác suất vỡ nợ?
Vì bạn chưa thử dự đoán xác suất vỡ nợ, hãy thử tạo và huấn luyện một mô hình hồi quy logistic chỉ với loan_int_rate. Đồng thời kiểm tra các tham số nội bộ của mô hình (giống như các thiết lập) để xem cấu trúc của mô hình khi chỉ dùng một cột này.
Dữ liệu cr_loan_clean đã được nạp sẵn trong môi trường làm việc.
Bài tập này là một phần của khóa học
Mô hình hóa Rủi ro Tín dụng bằng Python
Hướng dẫn bài tập
- Tạo các tập
Xvàysử dụng các cộtloan_int_ratevàloan_status. - Tạo và fit một mô hình hồi quy logistic lên dữ liệu huấn luyện và đặt tên là
clf_logistic_single. - In các tham số của mô hình bằng
.get_params(). - Kiểm tra hệ số chặn (intercept) của mô hình với thuộc tính
.intercept_.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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(____.____)