Drzewa do przewidywania niespłacalności

Teraz wytrenuj model gradientowego drzewa wzmacnianego na danych kredytowych i sprawdź próbkę prognoz. Pamiętasz, gdy po raz pierwszy przeglądałeś predykcje modelu regresji logistycznej? Nie wyglądały zbyt dobrze. Czy ten model okaże się lepszy?

Dane kredytowe cr_loan_prep, zbiory treningowe X_train i y_train oraz dane testowe X_test są dostępne w środowisku pracy. Pakiet XGBoost jest załadowany jako xgb.

To ćwiczenie jest częścią kursu

Modelowanie ryzyka kredytowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz i wytrenuj model gradientowego drzewa wzmacnianego, używając XGBClassifier(), i nadaj mu nazwę clf_gbt.
Przewidź prawdopodobieństwa niespłacalności na danych testowych i zapisz wyniki w zmiennej gbt_preds.
Utwórz dwie ramki danych – preds_df i true_df – aby przechować pierwsze pięć predykcji oraz prawdziwe wartości loan_status.
Połącz i wyświetl ramki danych true_df oraz preds_df w tej kolejności, a następnie sprawdź wyniki modelu.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Train a model
import xgboost as xgb
____ = xgb.____().fit(____, np.ravel(____))

# Predict with a model
____ = clf_gbt.____(____)

# Create dataframes of first five predictions, and first five true labels
____ = pd.DataFrame(____[:,1][0:5], columns = ['prob_default'])
____ = y_test.____()

# Concatenate and print the two data frames for comparison
print(pd.____([____.reset_index(drop = True), ____], axis = 1))

Edytuj i uruchom kod