Cross-validatie-score

Nu ga je cross-validatie gebruiken met cross_val_score() om de algehele performance te controleren.

Deze oefening is een mooie kans om te testen met de hyperparameters learning_rate en max_depth. Onthoud: hyperparameters zijn als instellingen die kunnen helpen om de performance te optimaliseren.

De gegevenssets cr_loan_prep, X_train en y_train zijn al in de werkruimte geladen.

Deze oefening maakt deel uit van de cursus

Kredietrisicomodellering in Python

Cursus bekijken

Oefeninstructies

Maak een gradient boosted tree met een learning rate van 0.1 en een maximale diepte van 7. Sla het model op als gbt.
Bereken de cross-validatiescores op de gegevenssets X_train en y_train met 4 folds. Sla de resultaten op als cv_scores.
Print de cross-validatiescores.
Print de gemiddelde accuracyscore en standaarddeviatie met opmaak.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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))

Code bewerken en uitvoeren