Évaluer les arbres renforcés par gradient
Vous avez maintenant utilisé des modèles XGBClassifier() pour prédire la probabilité de défaut. Ces modèles peuvent aussi utiliser la méthode .predict() pour générer des prédictions donnant la classe réelle de loan_status.
Vous devriez vérifier la performance initiale du modèle en examinant les mesures fournies par classification_report(). Gardez en tête que vous n'avez pas encore fixé de seuils pour ces modèles.
Les jeux de données cr_loan_prep, X_test et y_test sont déjà chargés dans l'espace de travail. Le modèle clf_gbt est également chargé. Le classification_report() pour la régression logistique s'imprimera automatiquement.
Cette activité fait partie du cours
Modélisation du risque de crédit en Python
Instructions de l’exercice
- Prédisez les valeurs de
loan_statuspour les données de testXet enregistrez-les dansgbt_preds. - Vérifiez le contenu de
gbt_predspour voir lesloan_statusprédits, et non les probabilités de défaut. - Affichez un
classification_report()de la performance du modèle par rapport ày_test.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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))