Evaluarea arborilor cu gradient boosting

Ai folosit deja modele XGBClassifier() pentru a prezice probabilitatea de nerambursare. Aceste modele pot folosi și metoda .predict() pentru a genera predicții care indică clasa efectivă a variabilei loan_status.

Verifică performanța inițială a modelului analizând metricile din classification_report(). Reține că nu ai setat încă praguri pentru aceste modele.

Seturile de date cr_loan_prep, X_test și y_test au fost deja încărcate în spațiul de lucru. Modelul clf_gbt a fost de asemenea încărcat. classification_report() pentru regresia logistică va fi afișat automat.

Acest exercițiu face parte din cursul

Modelarea Riscului de Credit în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Prezice valorile loan_status pentru datele de testare X și stochează-le în gbt_preds.
Verifică conținutul variabilei gbt_preds pentru a vedea valorile prezise ale loan_status, nu probabilitățile de nerambursare.
Afișează un classification_report() al performanței modelului față de y_test.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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))

Editează și rulează codul