Scoruri prin validare încrucișată

Acum vei folosi validarea încrucișată cu cross_val_score() pentru a evalua performanța generală a modelului.

Acest exercițiu este o ocazie excelentă să explorezi hiperparametrii learning_rate și max_depth. Reține că hiperparametrii funcționează ca niște setări care te ajută să obții performanța optimă.

Seturile de date cr_loan_prep, X_train și y_train sunt deja încărcate în spațiul de lucru.

Acest exercițiu face parte din cursul

Modelarea Riscului de Credit în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Creează un arbore gradient boosted cu o rată de învățare de 0.1 și o adâncime maximă de 7. Stochează modelul ca gbt.
Calculează scorurile de validare încrucișată pe seturile X_train și y_train, folosind 4 pliuri. Stochează rezultatele ca cv_scores.
Afișează scorurile de validare încrucișată.
Afișează acuratețea medie și deviația standard, cu formatare.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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))

Editează și rulează codul