Valutare i gradient boosted trees
Hai usato i modelli XGBClassifier() per prevedere la probabilità di default. Questi modelli possono anche usare il metodo .predict() per creare previsioni che restituiscono la classe effettiva per loan_status.
Dovresti verificare le prestazioni iniziali del modello guardando le metriche di classification_report(). Ricorda che non hai ancora impostato soglie per questi modelli.
Gli insiemi di dati cr_loan_prep, X_test e y_test sono già stati caricati nell'ambiente di lavoro. Anche il modello clf_gbt è stato caricato. Il classification_report() per la regressione logistica verrà stampato automaticamente.
Questo esercizio fa parte del corso
Credit Risk Modeling in Python
Istruzioni dell'esercizio
- Predici i valori di
loan_statusper i dati di testXe salvali ingbt_preds. - Controlla il contenuto di
gbt_predsper vedere i valori previsti diloan_status, non le probabilità di default. - Stampa un
classification_report()delle prestazioni del modello rispetto ay_test.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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))