Обучите модель на новых данных и сравните веса каждого признака.
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
# объявляем константы в соответствии с PEP-8
RANDOM_STATE = 42
df = pd.read_csv('car_loan.csv')
df1 = pd.read_csv('new_features_car_loan.csv')
# соединим таблицы при помощи функции merge
df = df.merge(df1[['all_credits_amount']], left_index=True, right_index=True)
X = df.drop(columns='default')
y = df['default']
# разбейте данные на тренировочную и тестовую выборки
# ваш код здесь
X_train, X_test, y_train, y_test = train_test_split(
X,
y,
random_state=RANDOM_STATE
)
# приведём значения всех признаков к единой шкале
scaler = StandardScaler()
X_train_scalled = scaler.fit_transform(X_train)
X_test_scalled = scaler.transform(X_test)
# обучите модель
clf = LogisticRegression()
clf = clf.fit(X_train_scalled, y_train) # ваш код здесь
# получите прогнозные метки классов
y_pred = clf.predict(X_test_scalled) # ваш код здесь