Gradient boosted trees beoordelen
Je hebt nu XGBClassifier()-modellen gebruikt om de kans op wanbetaling te voorspellen. Deze modellen kunnen ook de .predict()-methode gebruiken om voorspellingen te maken die de daadwerkelijke klasse voor loan_status geven.
Je zou de initiële prestaties van het model moeten controleren door te kijken naar de statistieken uit de classification_report(). Houd er rekening mee dat je voor deze modellen nog geen drempelwaarden hebt ingesteld.
De gegevenssets cr_loan_prep, X_test en y_test zijn al in de werkruimte geladen. Het model clf_gbt is ook geladen. De classification_report() voor de logistische regressie wordt automatisch afgedrukt.
Deze oefening maakt deel uit van de cursus
Kredietrisicomodellering in Python
Oefeninstructies
- Voorspel de
loan_status-waarden voor deX-testgegevens en sla ze op ingbt_preds. - Controleer de inhoud van
gbt_predsom te zien dat dit voorspeldeloan_status-waarden zijn en geen kansen op wanbetaling. - Print een
classification_report()van de modelprestaties ten opzichte vany_test.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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))