Křížová validace úvěrových modelů

Úvěrová data se v čase mění a nebudou vždy vypadat stejně jako ta, která jsou načtená v aktuálních testovacích sadách. Proto můžeš využít křížovou validaci – otestovat model na několika menších trénovacích a testovacích sadách odvozených z původních X_train a y_train.

K provedení křížové validace použij funkci cv() z XGBoostu. Budeš muset nastavit všechny potřebné parametry, které cv() využije na testovacích datech.

V pracovním prostředí jsou načteny datové sady X_train a y_train, natrénovaný model gbt a slovník parametrů params, který se zobrazí po načtení cvičení.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

Nastav počet foldů na 5 a early stopping na 10. Ulož je jako n_folds a early_stopping.
Vytvoř maticový objekt DTrain z trénovacích dat.
Spusť cv() s parametry, foldy a objektem early stopping. Výsledky ulož jako cv_df.
Vypiš obsah cv_df.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Set the values for number of folds and stopping iterations
____ = ____
____ = ____

# Create the DTrain matrix for XGBoost
____ = xgb.____(____, label = ____)

# Create the data frame of cross validations
____ = xgb.cv(____, ____, num_boost_round = 5, nfold=____,
            early_stopping_rounds=____)

# Print the cross validations data frame
____(____)

Upravit a spustit kód