Vyhodnocení gradient boosted trees

Právě jsi použil/a modely XGBClassifier() k předpovědi pravděpodobnosti nesplacení úvěru. Tyto modely umí také pomocí metody .predict() generovat předpovědi, které vrátí přímo třídu pro loan_status.

Zkontroluj počáteční výkonnost modelu pomocí metrik z classification_report(). Měj na paměti, že pro tyto modely zatím nejsou nastaveny žádné prahové hodnoty.

Datové sady cr_loan_prep, X_test a y_test jsou v prostředí již načteny. Stejně tak je načten model clf_gbt. classification_report() pro logistickou regresi se vypíše automaticky.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

Předpověz hodnoty loan_status pro testovací data X a ulož je do proměnné gbt_preds.
Zkontroluj obsah proměnné gbt_preds a ověř, že obsahuje předpovězené hodnoty loan_status, nikoli pravděpodobnosti nesplacení.
Vytiskni classification_report() výkonnosti modelu oproti y_test.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Predict the labels for loan status
____ = clf_gbt.____(____)

# Check the values created by the predict method
print(____)

# Print the classification report of the model
target_names = ['Non-Default', 'Default']
print(classification_report(____, ____, target_names=target_names))

Upravit a spustit kód