Ocena za pomocą walidacji krzyżowej

Teraz użyj walidacji krzyżowej z funkcją cross_val_score(), aby sprawdzić ogólną wydajność modelu.

To ćwiczenie to świetna okazja, by przetestować hiperparametry learning_rate i max_depth. Pamiętaj, że hiperparametry działają jak ustawienia, które pozwalają osiągnąć optymalną wydajność.

Zbiory danych cr_loan_prep, X_train i y_train są już wczytane do przestrzeni roboczej.

Utwórz gradient boosted tree ze współczynnikiem uczenia 0.1 i maksymalną głębokością 7. Zapisz model jako gbt.
Oblicz wyniki walidacji krzyżowej na zbiorach X_train i y_train, używając 4 podziałów. Zapisz wyniki jako cv_scores.
Wyświetl wyniki walidacji krzyżowej.
Wyświetl średnią dokładność i odchylenie standardowe z odpowiednim formatowaniem.

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}ćwiczenie

Instrukcje

ćwiczenie