Menilai gradient boosted trees

Sekarang Anda telah menggunakan model XGBClassifier() untuk memprediksi probability of default. Model ini juga dapat menggunakan metode .predict() untuk membuat prediksi yang memberikan kelas aktual untuk loan_status.

Anda perlu memeriksa kinerja awal model dengan melihat metrik dari classification_report(). Perlu diingat bahwa Anda belum menetapkan ambang (threshold) untuk model-model ini.

Himpunan data cr_loan_prep, X_test, dan y_test sudah dimuat di workspace. Model clf_gbt juga telah dimuat. classification_report() untuk logistic regression akan tercetak secara otomatis.

Latihan ini adalah bagian dari kursus

Pemodelan Risiko Kredit dengan Python

Lihat Kursus

Petunjuk latihan

Prediksikan nilai loan_status untuk data uji X dan simpan dalam gbt_preds.
Periksa isi gbt_preds untuk melihat nilai loan_status yang diprediksi, bukan probability of default.
Cetak classification_report() atas kinerja model terhadap y_test.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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))

Edit dan Jalankan Kode