Logistic regression 基礎
你已經清理好資料，並建立新的資料集 cr_loan_clean。
回想第 1 章最後的散佈圖，當 loan_int_rate 較高時，違約的情況更多。利率很好理解，但它在預測違約機率上到底有多實用呢？
因為你還沒實際預測過違約機率，先用單一特徵 loan_int_rate 建立並訓練一個邏輯迴歸模型試試看。同時檢視模型的內部參數（就像設定一樣），用來了解只有這一個欄位時模型的結構。
cr_loan_clean 已經在工作環境中載入。
本練習屬於課程
以 Python 進行信用風險建模
練習說明
- 使用
loan_int_rate和loan_status欄位建立X與y。 - 建立並在訓練資料上擬合一個邏輯迴歸模型，命名為
clf_logistic_single。 - 以
.get_params()印出模型的參數。 - 使用
.intercept_屬性檢查模型的截距。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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(____.____)