Puntuación de validación cruzada

Ahora, debes utilizar la puntuación de validación cruzada con cross_val_score() para comprobar el rendimiento global.

Este ejercicio es una excelente oportunidad para probar el uso de los hiperparámetros learning_rate y max_depth. Recuerda que los hiperparámetros son como ajustes que pueden ayudar a crear un rendimiento óptimo.

Los conjuntos de datos cr_loan_prep, X_train, y y_train ya se han cargado en el espacio de trabajo.

Este ejercicio forma parte del curso

Modelado del riesgo crediticio en Python

Ver curso

Instrucciones de ejercicio

Crea un árbol de gradiente reforzado con una tasa de aprendizaje de 0.1 y una profundidad máxima de 7. Guarda el modelo como gbt.
Calcula las puntuaciones de la validación cruzada con los conjuntos de datos X_train y y_train con los pliegues 4. Guarda los resultados como cv_scores.
Imprime las puntuaciones de la validación cruzada.
Imprime la puntuación media de precisión y la desviación típica con formato.

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# 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))

Editar y ejecutar código