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.

To ćwiczenie jest częścią kursu

Modelowanie ryzyka kredytowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

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.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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))

Edytuj i uruchom kod