Оценка с помощью кросс-валидации

Теперь используйте кросс-валидацию с помощью cross_val_score(), чтобы оценить общую производительность модели.

Это упражнение — отличная возможность поработать с гиперпараметрами learning_rate и max_depth. Напомним, что гиперпараметры — это настройки, которые позволяют добиться оптимальной работы модели.

Наборы данных cr_loan_prep, X_train и y_train уже загружены в рабочее пространство.

Это упражнение является частью курса

Моделирование кредитного риска на Python

Посмотреть курс

Инструкции к упражнению

Создайте градиентное дерево с коэффициентом обучения 0.1 и максимальной глубиной 7. Сохраните модель как gbt.
Вычислите оценки кросс-валидации на наборах данных X_train и y_train с 4 блоками. Сохраните результаты как cv_scores.
Выведите оценки кросс-валидации.
Выведите среднюю точность и стандартное отклонение с форматированием.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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))

Редактировать и запускать код