Avaliação de árvores impulsionadas por gradiente
Portanto, você já usou os modelos XGBClassifier() para prever a probabilidade de inadimplência. Esses modelos também podem usar o método .predict() para criar previsões que fornecem a classe real para loan_status.
Você deve verificar o desempenho inicial do modelo observando as métricas do site classification_report(). Lembre-se de que você ainda não definiu limites para esses modelos.
Os conjuntos de dados cr_loan_prep, X_test e y_test já foram carregados no espaço de trabalho. O modelo clf_gbt também foi carregado. O site classification_report() para a regressão logística será impresso automaticamente.
Este exercício faz parte do curso
Modelagem de risco de crédito em Python
Instruções do exercício
- Preveja os valores de
loan_statuspara os dados de teste deXe armazene-os emgbt_preds. - Verifique o conteúdo de
gbt_predspara ver os valores previstos deloan_statuse não as probabilidades de inadimplência. - Imprima um
classification_report()do desempenho do modelo em relação ay_test.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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))