Gradient Boosted Trees bewerten
Du hast jetzt XGBClassifier()-Modelle verwendet, um die Ausfallwahrscheinlichkeit vorherzusagen. Diese Modelle können auch die Methode .predict() nutzen, um Vorhersagen mit der tatsächlichen Klasse für loan_status zu erzeugen.
Du solltest die anfängliche Leistung des Modells prüfen, indem du dir die Metriken aus dem classification_report() ansiehst. Denk daran, dass du für diese Modelle noch keine Schwellenwerte gesetzt hast.
Die Datensätze cr_loan_prep, X_test und y_test sind bereits im Workspace geladen. Das Modell clf_gbt wurde ebenfalls geladen. Das classification_report() für die logistische Regression wird automatisch ausgegeben.
Diese Übung ist Teil des Kurses
Kreditrisikomodellierung in Python
Anleitung zur Übung
- Sage die
loan_status-Werte für dieX-Testdaten vorher und speichere sie ingbt_preds. - Prüfe den Inhalt von
gbt_preds, um vorhergesagteloan_status-Werte (keine Ausfallwahrscheinlichkeiten) zu sehen. - Gib ein
classification_report()zur Modellleistung im Vergleich zuy_testaus.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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))