Деревья для прогнозирования дефолтов
Теперь вы обучите модель на основе деревьев с градиентным бустингом на кредитных данных и посмотрите на несколько примеров предсказаний. Помните, как вы впервые изучали предсказания модели логистической регрессии? Тогда результаты оставляли желать лучшего. Интересно, будет ли эта модель лучше?
В рабочей среде доступны: кредитные данные cr_loan_prep, обучающие наборы X_train и y_train, а также тестовые данные X_test. Пакет XGBoost загружен как xgb.
Это упражнение является частью курса
Моделирование кредитного риска на Python
Инструкции к упражнению
- Создайте и обучите модель деревьев с градиентным бустингом с помощью
XGBClassifier()и назовите еёclf_gbt. - Предскажите вероятности дефолта на тестовых данных и сохраните результаты в
gbt_preds. - Создайте два фрейма данных —
preds_dfиtrue_df— для хранения первых пяти предсказаний и истинных значенийloan_status. - Объедините фреймы данных
true_dfиpreds_dfв указанном порядке, выведите результат и проверьте предсказания модели.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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))