열 중요도와 연체(default) 예측

여러 훈련 세트와 다양한 열 그룹을 사용할 때는, 어떤 열이 중요하고 어떤 열이 중요하지 않은지 꼭 살펴봐야 해요. 영향이 없는 열을 유지하는 데도 비용이 들거나 시간이 오래 걸릴 수 있고, loan_status에 전혀 영향이 없을 수도 있어요.

이 연습 문제의 X 데이터는 다음 코드로 만들었습니다:

X = cr_loan_prep[['person_income','loan_int_rate',
                  'loan_percent_income','loan_amnt',
                  'person_home_ownership_MORTGAGE','loan_grade_F']]

이 데이터로 XGBClassifier() 모델을 학습하고, 열 중요도를 확인해서 각 열이 loan_status 예측에 얼마나 기여하는지 살펴보세요.

cr_loan_pret 데이터 세트와 X_train, y_train은 워크스페이스에 로드되어 있어요.

이 연습은 강의의 일부입니다

Python으로 배우는 신용 리스크 모델링

강의 보기

연습 안내

X_train과 y_train 훈련 세트로 XGBClassifier() 모델을 생성해 학습시키고, clf_gbt로 저장하세요.
.get_booster()와 .get_score()를 사용해 clf_gbt의 열 중요도를 출력하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Create and train the model on the training data
____ = xgb.____().____(____,np.ravel(____))

# Print the column importances from the model
print(clf_gbt.____().____(importance_type = 'weight'))

코드 편집 및 실행