Оценка градиентного бустинга на деревьях

Вы уже использовали модели XGBClassifier() для прогнозирования вероятности дефолта. Эти модели также поддерживают метод .predict(), который возвращает непосредственные метки классов для loan_status.

Проверьте начальную производительность модели, изучив метрики из classification_report(). Имейте в виду, что пороговые значения для этих моделей ещё не заданы.

Наборы данных cr_loan_prep, X_test и y_test уже загружены в рабочее пространство. Модель clf_gbt также загружена. Отчёт classification_report() для логистической регрессии будет напечатан автоматически.

Это упражнение является частью курса

Моделирование кредитного риска на Python

Посмотреть курс

Инструкции к упражнению

Предсказайте значения loan_status для тестовых данных X и сохраните их в gbt_preds.
Проверьте содержимое gbt_preds, чтобы убедиться, что оно содержит предсказанные метки loan_status, а не вероятности дефолта.
Выведите classification_report() с оценкой производительности модели на основе y_test.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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))

Редактировать и запускать код