クロスバリデーションによるスコアリング

次は、cross_val_score() を使ってクロスバリデーションにより全体的な性能を確認します。

この演習は、ハイパーパラメータ learning_rate と max_depth の使い方を試すのに最適な機会です。ハイパーパラメータは、最適な性能を引き出すための設定のようなものだと覚えておいてください。

データセット cr_loan_prep、X_train、y_train はワークスペースに読み込まれています。

この演習はコースの一部です

Pythonで学ぶクレジットリスクモデリング

コースを見る

演習の手順

学習率を 0.1、最大深さを 7 とする勾配ブースティング木を作成し、モデルを gbt として保存します。
X_train と y_train に対して、分割数 4 のクロスバリデーションスコアを計算し、結果を cv_scores として保存します。
クロスバリデーションの各スコアを出力します。
平均の正解率と標準偏差を、フォーマットして出力します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# 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))

コードを編集して実行