Pointage par validation croisée

Vous devez maintenant utiliser le pointage par validation croisée avec cross_val_score() pour vérifier la performance globale.

Cet exercice est une excellente occasion d'essayer les hyperparamètres learning_rate et max_depth. Rappelez-vous que les hyperparamètres sont comme des réglages qui peuvent aider à optimiser la performance.

Les jeux de données cr_loan_prep, X_train et y_train sont déjà chargés dans l'espace de travail.

Cette activité fait partie du cours

Modélisation du risque de crédit en Python

Voir le cours

Instructions de l’exercice

Créez un arbre à gradient boosting avec un taux d'apprentissage de 0.1 et une profondeur maximale de 7. Enregistrez le modèle sous gbt.
Calculez les scores de validation croisée sur les jeux de données X_train et y_train avec 4 segments (folds). Enregistrez les résultats dans cv_scores.
Affichez les scores de validation croisée.
Affichez la moyenne de l'exactitude et l'écart-type avec un formatage approprié.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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))

Modifier et exécuter le code