Pontuação de validação cruzada

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

Esse exercício é uma excelente oportunidade para você testar o uso dos hiperparâmetros learning_rate e max_depth. Lembre-se de que os hiperparâmetros são como configurações que podem ajudar a criar um desempenho ideal.

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

Este exercício faz parte do curso

Modelagem de risco de crédito em Python

Ver Curso

Instruções de exercício

Crie uma árvore com aumento de gradiente com uma taxa de aprendizado de 0.1 e uma profundidade máxima de 7. Armazene o modelo como gbt.
Calcule as pontuações de validação cruzada em relação aos conjuntos de dados X_train e y_train com as dobras 4. Armazene os resultados como cv_scores.
Imprima as pontuações da validação cruzada.
Imprima a pontuação média de precisão e o desvio padrão com formatação.

Exercício interativo prático

Experimente este exercício preenchendo 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 código