Skórování pomocí křížové validace

Teď použiješ křížovou validaci pomocí cross_val_score() k ověření celkového výkonu modelu.

Toto cvičení je skvělou příležitostí vyzkoušet si práci s hyperparametry learning_rate a max_depth. Připomeň si, že hyperparametry fungují jako nastavení, která ti pomohou dosáhnout optimálního výkonu modelu.

Dataové sady cr_loan_prep, X_train a y_train jsou v pracovním prostředí již načteny.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

Vytvoř gradient boosted tree s hodnotou learning rate 0.1 a maximální hloubkou 7. Model ulož do proměnné gbt.
Vypočítej skóre křížové validace na datových sadách X_train a y_train se 4 foldy. Výsledky ulož do proměnné cv_scores.
Vypiš skóre křížové validace.
Vypiš průměrnou přesnost a směrodatnou odchylku s formátováním.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create a gradient boosted tree model using two hyperparameters
____ = xgb.____(____ = ____, ____ = ____)

# Calculate the cross validation scores for 4 folds
____ = ____(____, ____, np.ravel(____), cv = ____)

# Print the cross validation scores
print(____)

# Print the average accuracy and standard deviation of the scores
print("Average accuracy: %0.2f (+/- %0.2f)" % (____.____(),
                                              ____.____() * 2))

Upravit a spustit kód