Evaluación de árboles con potenciación del gradiente
Así que ya has utilizado los modelos XGBClassifier() para predecir la probabilidad de impago. Estos modelos también pueden utilizar el método .predict() para crear predicciones que den la clase real para loan_status.
Debes comprobar el rendimiento inicial del modelo consultando las métricas de classification_report(). Ten en cuenta que aún no has establecido umbrales para estos modelos.
Los conjuntos de datos cr_loan_prep, X_test, y y_test ya se han cargado en el espacio de trabajo. También se ha cargado el modelo clf_gbt. El classification_report() de la regresión logística se imprimirá automáticamente.
Este ejercicio forma parte del curso
Modelado del riesgo crediticio en Python
Instrucciones del ejercicio
- Predice los valores de
loan_statuspara los datos de prueba deXy almacénalos engbt_preds. - Comprueba el contenido de
gbt_predspara ver los valores previstos deloan_statusy no las probabilidades de incumplimiento. - Imprime un
classification_report()del rendimiento del modelo frente ay_test.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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))