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.

To ćwiczenie jest częścią kursu

Modelowanie ryzyka kredytowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

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.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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))

Edytuj i uruchom kod