Кросс-валидация кредитных моделей

Данные по кредитам меняются со временем, и они не всегда будут совпадать с тем, что загружено в текущие тестовые наборы. Поэтому можно использовать кросс-валидацию: она позволяет проверить модель на нескольких меньших обучающих и тестовых наборах, полученных из исходных X_train и y_train.

Примените функцию XGBoost cv() для выполнения кросс-валидации. Вам нужно будет настроить все необходимые параметры для cv(), чтобы использовать их на тестовых данных.

Наборы данных X_train и y_train загружены в рабочей среде вместе с обученной моделью gbt и словарём параметров params, который будет выведен при загрузке упражнения.

Это упражнение является частью курса

Моделирование кредитного риска на Python

Посмотреть курс

Инструкции к упражнению

Установите количество фолдов равным 5, а параметр ранней остановки — 10. Сохраните их как n_folds и early_stopping.
Создайте матричный объект DTrain, используя обучающие данные.
Примените cv(), передав объекты с параметрами, фолдами и ранней остановкой. Сохраните результаты как cv_df.
Выведите содержимое cv_df.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Set the values for number of folds and stopping iterations
____ = ____
____ = ____

# Create the DTrain matrix for XGBoost
____ = xgb.____(____, label = ____)

# Create the data frame of cross validations
____ = xgb.cv(____, ____, num_boost_round = 5, nfold=____,
            early_stopping_rounds=____)

# Print the cross validations data frame
____(____)

Редактировать и запускать код