Évaluer les arbres boostés 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 qui donnent la classe réelle de loan_status.
Vous devez vérifier la performance initiale du modèle en examinant les métriques de classification_report(). Gardez à l’esprit que vous n’avez pas encore défini de seuils pour ces modèles.
Les jeux de données cr_loan_prep, X_test et y_test ont déjà été chargés dans l’espace de travail. Le modèle clf_gbt a également été chargé. Le classification_report() pour la régression logistique s’imprimera automatiquement.
Cet exercice fait partie du cours
Modélisation du risque de crédit en Python
Instructions
- Prédisez les valeurs de
loan_statuspour les données de testXet enregistrez-les dansgbt_preds. - Inspectez le contenu de
gbt_predspour voir les valeurs prédites deloan_status, et non des probabilités de défaut. - Affichez un
classification_report()des performances du modèle par rapport ày_test.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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))