Ważność kolumn i domyślna predykcja
Gdy korzystasz z wielu zbiorów treningowych zawierających różne grupy kolumn, warto śledzić, które z nich mają znaczenie, a które nie. Utrzymywanie zestawu kolumn bez wpływu na loan_status może być kosztowne i czasochłonne.
Dane X dla tego ćwiczenia zostały utworzone za pomocą następującego kodu:
X = cr_loan_prep[['person_income','loan_int_rate',
'loan_percent_income','loan_amnt',
'person_home_ownership_MORTGAGE','loan_grade_F']]
Wytrenuj model XGBClassifier() na tych danych, a następnie sprawdź ważność kolumn, aby zobaczyć, jak każda z nich wpływa na przewidywanie loan_status.
Zbiór danych cr_loan_pret oraz X_train i y_train są już załadowane w środowisku pracy.
To ćwiczenie jest częścią kursu
Modelowanie ryzyka kredytowego w Pythonie
Instrukcje do ćwiczenia
- Utwórz i wytrenuj model
XGBClassifier()na zbiorach treningowychX_trainiy_train, a wynik zapisz jakoclf_gbt. - Wyświetl ważności kolumn modelu
clf_gbt, używając.get_booster()i.get_score().
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create and train the model on the training data
____ = xgb.____().____(____,np.ravel(____))
# Print the column importances from the model
print(clf_gbt.____().____(importance_type = 'weight'))