Pontuação com validação cruzada

Agora, você deve usar a pontuação com validação cruzada com cross_val_score() para verificar o desempenho geral.

Este exercício é uma ótima oportunidade para testar os hiperparâmetros learning_rate e max_depth. Lembre-se: hiperparâmetros são como configurações que podem ajudar a alcançar um desempenho ideal.

Os conjuntos de dados cr_loan_prep, X_train e y_train já foram carregados no ambiente de trabalho.

Este exercício faz parte do curso

Modelagem de Risco de Crédito em Python

Ver curso

Instruções do exercício

Crie uma árvore com gradient boosting com taxa de aprendizado 0.1 e profundidade máxima 7. Armazene o modelo como gbt.
Calcule as pontuações de validação cruzada usando X_train e y_train com 4 folds. Armazene os resultados como cv_scores.
Imprima as pontuações da validação cruzada.
Imprima a acurácia média e o desvio padrão com formatação.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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))

Editar e executar o código