Arbres pour les défauts de paiement

Vous allez maintenant entraîner un modèle d’arbres à gradient boosting sur les données de crédit et afficher un échantillon de prédictions. Vous souvenez-vous de votre première observation des prédictions du modèle de régression logistique ? Elles n’étaient pas convaincantes. Pensez-vous que ce modèle sera différent ?

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 disponibles dans l’espace de travail. Le package XGBoost est chargé sous le nom xgb.

Cet exercice fait partie du cours

<cours>Modélisation du risque de crédit en Python</cours>

Voir le cours

Instructions de l’exercice

Créez et entraînez un arbre à gradient boosting avec XGBClassifier() et nommez-le clf_gbt.
Prédisez les probabilités de défaut sur les données de test et stockez les résultats dans gbt_preds.
Créez deux data frames, preds_df et true_df, pour stocker les cinq premières prédictions et les vraies valeurs de loan_status.
Concaténez et affichez les data frames true_df et preds_df dans cet ordre, puis 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