Arbori pentru predicția nerambursărilor

Acum vei antrena un model de arbori cu gradient boosting pe datele de credit și vei examina câteva dintre predicții. Îți amintești când ai văzut primele predicții ale modelului de regresie logistică? Nu arătau prea bine. Crezi că acest model va fi diferit?

Dataele de credit cr_loan_prep, seturile de antrenament X_train și y_train, precum și datele de testare X_test sunt disponibile în spațiul de lucru. Pachetul XGBoost este încărcat ca xgb.

Acest exercițiu face parte din cursul

Modelarea Riscului de Credit în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Creează și antrenează un arbore cu gradient boosting folosind XGBClassifier() și denumește-l clf_gbt.
Prezice probabilitățile de nerambursare pe datele de testare și stochează rezultatele în gbt_preds.
Creează două cadre de date, preds_df și true_df, pentru a stoca primele cinci predicții și valorile reale ale loan_status.
Concatenează și afișează cadrele de date true_df și preds_df în această ordine, apoi verifică rezultatele modelului.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Train a model
import xgboost as xgb
____ = xgb.____().fit(____, np.ravel(____))

# Predict with a model
____ = clf_gbt.____(____)

# Create dataframes of first five predictions, and first five true labels
____ = pd.DataFrame(____[:,1][0:5], columns = ['prob_default'])
____ = y_test.____()

# Concatenate and print the two data frames for comparison
print(pd.____([____.reset_index(drop = True), ____], axis = 1))

Editează și rulează codul