Stromy pro předpověď nesplácení

Teď natrénuješ model gradientně posílených stromů na úvěrových datech a prohlédneš si ukázku predikcí. Pamatuješ si, jak vypadaly první predikce logistické regrese? Moc dobře nedopadly. Myslíš, že tento model bude jiný?

V pracovním prostředí máš k dispozici úvěrová data cr_loan_prep, trénovací sady X_train a y_train a testovací data X_test. Balíček XGBoost je načtený pod názvem xgb.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

Vytvoř a natrénuj model gradientně posílených stromů pomocí XGBClassifier() a pojmenuj ho clf_gbt.
Predikuj pravděpodobnosti nesplácení na testovacích datech a výsledky ulož do gbt_preds.
Vytvoř dva datové rámce, preds_df a true_df, pro uložení prvních pěti predikcí a skutečných hodnot loan_status.
Spoj datové rámce true_df a preds_df v tomto pořadí, vypiš je a zkontroluj výsledky modelu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Train a model
import xgboost as xgb
____ = xgb.____().fit(____, np.ravel(____))

# Predict with a model
____ = clf_gbt.____(____)

# Create dataframes of first five predictions, and first five true labels
____ = pd.DataFrame(____[:,1][0:5], columns = ['prob_default'])
____ = y_test.____()

# Concatenate and print the two data frames for comparison
print(pd.____([____.reset_index(drop = True), ____], axis = 1))

Upravit a spustit kód