Arbres pour prédire les défauts

Vous allez maintenant entraîner un modèle d'arbres à renforcement de gradient sur les données de crédit et consulter un échantillon de prédictions. Vous souvenez-vous de votre première observation des prédictions du modèle de régression logistique? Elles n'étaient pas très convaincantes. Pensez-vous que ce modèle donnera de meilleurs résultats?

Les données de crédit cr_loan_prep, les ensembles d'entraînement X_train et y_train, ainsi que les données de test X_test sont déjà disponibles dans l'espace de travail. Le paquet XGBoost est chargé sous le nom xgb.

Cette activité fait partie du cours

Modélisation du risque de crédit en Python

Voir le cours

Instructions de l’exercice

Créez et entraînez un arbre à renforcement de gradient avec XGBClassifier() et nommez-le clf_gbt.
Prévoyez les probabilités de défaut sur les données de test et stockez les résultats dans gbt_preds.
Créez deux trames de données, preds_df et true_df, pour conserver les cinq premières prédictions et les vraies valeurs loan_status.
Concaténez puis affichez les trames de données true_df et preds_df, dans cet ordre, et vérifiez les résultats du modèle.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Train a model
import xgboost as xgb
____ = xgb.____().fit(____, np.ravel(____))

# Predict with a model
____ = clf_gbt.____(____)

# Create dataframes of first five predictions, and first five true labels
____ = pd.DataFrame(____[:,1][0:5], columns = ['prob_default'])
____ = y_test.____()

# Concatenate and print the two data frames for comparison
print(pd.____([____.reset_index(drop = True), ____], axis = 1))

Modifier et exécuter le code