Importance des colonnes et prédiction du défaut
Lorsque vous utilisez plusieurs ensembles d'entraînement avec divers groupes de colonnes, il est important de garder un œil sur les colonnes qui comptent et celles qui ne comptent pas. Maintenir certaines colonnes peut être coûteux ou prendre du temps, surtout si elles n'ont aucun effet sur loan_status.
Les données X pour cet exercice ont été créées avec le code suivant :
X = cr_loan_prep[['person_income','loan_int_rate',
'loan_percent_income','loan_amnt',
'person_home_ownership_MORTGAGE','loan_grade_F']]
Entraînez un modèle XGBClassifier() sur ces données, puis vérifiez l'importance des colonnes pour voir comment chacune contribue à la prédiction de loan_status.
L'ensemble de données cr_loan_pret ainsi que X_train et y_train ont été chargés dans l'espace de travail.
Cette activité fait partie du cours
Modélisation du risque de crédit en Python
Instructions de l’exercice
- Créez et entraînez un modèle
XGBClassifier()sur les ensembles d'entraînementX_trainety_train, puis enregistrez-le dansclf_gbt. - Affichez l'importance des colonnes de
clf_gbten utilisant.get_booster()puis.get_score().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create and train the model on the training data
____ = xgb.____().____(____,np.ravel(____))
# Print the column importances from the model
print(clf_gbt.____().____(importance_type = 'weight'))