逻辑回归基础

您已经清洗了数据，并创建了新的数据集 cr_loan_clean。

回想一下第 1 章中的最后一幅散点图：当 loan_int_rate 较高时，违约更多。利率好理解，但它对于预测违约概率到底有多大用处呢？

由于您还没有尝试预测违约概率，请先只用 loan_int_rate 试着创建并训练一个逻辑回归模型。还要查看模型的内部参数（相当于设置），以了解仅用这一列时模型的结构。

数据集 cr_loan_clean 已加载到工作区。

本练习是课程的一部分

Python 信用风险建模

查看课程

练习说明

使用 loan_int_rate 和 loan_status 列创建 X 和 y 集合。
创建并在训练数据上拟合一个逻辑回归模型，命名为 clf_logistic_single。
使用 .get_params() 打印模型的参数。
使用 .intercept_ 属性查看模型的截距。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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(____.____)

编辑并运行代码