Hồi quy logistic đa biến

Thông thường, bạn sẽ không chỉ dùng loan_int_rate để dự đoán xác suất vỡ nợ. Bạn sẽ muốn tận dụng toàn bộ dữ liệu mình có để đưa ra dự đoán.

Với ý tưởng đó, hãy thử huấn luyện một mô hình mới với các cột khác, gọi là đặc trưng (features), từ dữ liệu cr_loan_clean. Mô hình này có khác mô hình đầu tiên không? Để kiểm tra, bạn có thể xem .intercept_ của hồi quy logistic. Hãy nhớ đây là tung độ gốc của hàm và là log-odds tổng quát của việc không vỡ nợ.

Dữ liệu cr_loan_clean đã được nạp sẵn trong môi trường làm việc cùng với mô hình trước đó clf_logistic_single.

Bài tập này là một phần của khóa học

Mô hình hóa Rủi ro Tín dụng bằng Python

Xem khóa học

Hướng dẫn bài tập

Tạo một tập dữ liệu X mới với loan_int_rate và person_emp_length. Lưu thành X_multi.
Tạo tập dữ liệu y chỉ gồm loan_status.
Tạo và .fit() một mô hình LogisticRegression() trên dữ liệu X mới. Lưu thành clf_logistic_multi.
In giá trị .intercept_ của mô hình

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# 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(____.____)

Chỉnh sửa và Chạy Mã