Penilaian cross-validation

Sekarang, Anda perlu menggunakan penilaian cross-validation dengan cross_val_score() untuk memeriksa kinerja secara keseluruhan.

Latihan ini merupakan kesempatan yang sangat baik untuk mencoba penggunaan hyperparameter learning_rate dan max_depth. Ingat, hyperparameter ibarat pengaturan yang dapat membantu mencapai kinerja optimal.

Himpunan data cr_loan_prep, X_train, dan y_train telah dimuat di workspace.

Latihan ini adalah bagian dari kursus

Pemodelan Risiko Kredit dengan Python

Lihat Kursus

Petunjuk latihan

Buat gradient boosted tree dengan learning rate 0.1 dan kedalaman maksimum 7. Simpan model sebagai gbt.
Hitung skor cross-validation terhadap himpunan data X_train dan y_train dengan 4 lipatan. Simpan hasilnya sebagai cv_scores.
Cetak skor cross-validation.
Cetak skor akurasi rata-rata dan simpangan bakunya dengan pemformatan.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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))

Edit dan Jalankan Kode