1. Nauka
    2. /
  2. Kursy
    3. /
  3. Modelowanie ryzyka kredytowego w Pythonie
Connected

ćwiczenie

Ocena drzew z gradientowym wzmacnianiem

Do tej pory korzystałeś z modeli XGBClassifier() do przewidywania prawdopodobieństwa niewywiązania się ze zobowiązań. Modele te obsługują również metodę .predict(), która zwraca rzeczywistą klasę dla loan_status.

Warto sprawdzić wstępną wydajność modelu, analizując metryki z funkcji classification_report(). Pamiętaj, że na tym etapie nie ustawiono jeszcze żadnych progów klasyfikacji.

Zbiory danych cr_loan_prep, X_test oraz y_test zostały już wczytane do środowiska. Model clf_gbt jest również dostępny. Wynik classification_report() dla regresji logistycznej zostanie wyświetlony automatycznie.

Instrukcje

100 XP
  • Przewidź wartości loan_status dla danych testowych X i zapisz je w zmiennej gbt_preds.
  • Sprawdź zawartość zmiennej gbt_preds, aby zobaczyć przewidziane klasy loan_status – nie prawdopodobieństwa niewywiązania się ze zobowiązań.
  • Wyświetl classification_report() przedstawiający wydajność modelu względem y_test.