शुरू करेंमुफ़्त में शुरू करें

क्रॉस-वैलिडेशन स्कोरिंग

अब, आपको cross_val_score() के साथ क्रॉस-वैलिडेशन स्कोरिंग का उपयोग करके ओवरऑल परफॉर्मेंस जाँचना है.

यह अभ्यास learning_rate और max_depth हाइपरपैरामीटर्स के उपयोग को आज़माने का बेहतरीन मौका है. याद रखें, हाइपरपैरामीटर्स सेटिंग्स की तरह होते हैं जो ऑप्टिमम परफॉर्मेंस दिलाने में मदद कर सकते हैं.

डेटासेट्स cr_loan_prep, X_train, और y_train पहले से ही वर्कस्पेस में लोड किए गए हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में क्रेडिट रिस्क मॉडलिंग

पाठ्यक्रम देखें

अभ्यास निर्देश

  • 0.1 के learning rate और 7 की max depth के साथ एक gradient boosted tree बनाएँ. मॉडल को gbt नाम से स्टोर करें.
  • X_train और y_train डेटासेट्स पर 4 folds के साथ cross validation स्कोर 계산 करें. नतीजों को cv_scores में स्टोर करें.
  • cross validation स्कोर प्रिंट करें.
  • औसत accuracy स्कोर और standard deviation को फ़ॉर्मैटिंग के साथ प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Create a gradient boosted tree model using two hyperparameters
____ = xgb.____(____ = ____, ____ = ____)

# Calculate the cross validation scores for 4 folds
____ = ____(____, ____, np.ravel(____), cv = ____)

# Print the cross validation scores
print(____)

# Print the average accuracy and standard deviation of the scores
print("Average accuracy: %0.2f (+/- %0.2f)" % (____.____(),
                                              ____.____() * 2))
कोड संपादित करें और चलाएँ