Důležitost sloupců a výchozí predikce

Při práci s více trénovacími sadami obsahujícími různé skupiny sloupců je důležité sledovat, které sloupce mají vliv a které ne. Udržovat sadu sloupců, jež nemají žádný dopad na loan_status, může být nákladné i časově náročné.

Data X pro toto cvičení byla vytvořena následujícím kódem:

X = cr_loan_prep[['person_income','loan_int_rate',
                  'loan_percent_income','loan_amnt',
                  'person_home_ownership_MORTGAGE','loan_grade_F']]

Natrénuj model XGBClassifier() na těchto datech a zkontroluj důležitost jednotlivých sloupců – uvidíš, jak každý z nich přispívá k předpovídání loan_status.

Dataset cr_loan_pret spolu s X_train a y_train jsou již načteny v pracovním prostředí.

Toto cvičení je součástí kurzu

Credit Risk Modeling in Python

Zobrazit kurz

Pokyny k cvičení

Vytvoř a natrénuj model XGBClassifier() na trénovacích sadách X_train a y_train a ulož ho jako clf_gbt.
Vypiš důležitost sloupců modelu clf_gbt pomocí .get_booster() a .get_score().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create and train the model on the training data
____ = xgb.____().____(____,np.ravel(____))

# Print the column importances from the model
print(clf_gbt.____().____(importance_type = 'weight'))

Upravit a spustit kód