교차 검증 점수 계산

이제 cross_val_score()를 사용한 교차 검증 점수로 전체 성능을 확인해 보세요.

이번 연습 문제는 하이퍼파라미터 learning_rate와 max_depth를 시험해 보기 좋은 기회입니다. 하이퍼파라미터는 최적의 성능을 내도록 조정할 수 있는 설정과 같습니다.

데이터 세트 cr_loan_prep, X_train, y_train은 워크스페이스에 이미 로드되어 있습니다.

이 연습은 강의의 일부입니다

Python으로 배우는 신용 리스크 모델링

강의 보기

연습 안내

learning_rate를 0.1, max_depth를 7로 설정한 gradient boosted tree를 만들고, 모델을 gbt로 저장하세요.
X_train과 y_train에 대해 폴드 수를 4로 하여 교차 검증 점수를 계산하고, 결과를 cv_scores로 저장하세요.
교차 검증 점수를 출력하세요.
평균 정확도와 표준편차를 형식을 지정해 출력하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# 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))

코드 편집 및 실행