Valutazione con cross-validation

Ora dovresti usare la valutazione con cross-validation tramite cross_val_score() per verificare le prestazioni complessive.

Questo esercizio è un’ottima occasione per provare gli iperparametri learning_rate e max_depth. Ricorda: gli iperparametri sono come impostazioni che possono aiutare a ottenere prestazioni ottimali.

Gli insiemi di dati cr_loan_prep, X_train e y_train sono già stati caricati nell’ambiente di lavoro.

Questo esercizio fa parte del corso

Credit Risk Modeling in Python

Visualizza il corso

Istruzioni dell'esercizio

Crea un albero potenziato a gradiente con un learning rate di 0.1 e una profondità massima di 7. Salva il modello come gbt.
Calcola gli score di cross-validation su X_train e y_train con 4 fold. Salva i risultati come cv_scores.
Stampa gli score di cross-validation.
Stampa l’accuratezza media e la deviazione standard con formattazione.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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))

Modifica ed esegui il codice