Важность признаков и прогноз по умолчанию

Когда вы работаете с несколькими обучающими наборами, включающими разные группы столбцов, важно следить за тем, какие из них действительно влияют на результат, а какие — нет. Поддерживать столбцы, которые не оказывают никакого влияния на loan_status, может быть затратно и по времени, и по ресурсам.

Данные X для этого упражнения сформированы следующим кодом:

X = cr_loan_prep[['person_income','loan_int_rate',
                  'loan_percent_income','loan_amnt',
                  'person_home_ownership_MORTGAGE','loan_grade_F']]

Обучите модель XGBClassifier() на этих данных и проверьте важность столбцов, чтобы понять, как каждый из них влияет на предсказание loan_status.

Набор данных cr_loan_pret, а также X_train и y_train уже загружены в рабочую среду.

Это упражнение является частью курса

Моделирование кредитного риска на Python

Посмотреть курс

Инструкции к упражнению

Создайте и обучите модель XGBClassifier() на обучающих наборах X_train и y_train, сохранив её в переменную clf_gbt.
Выведите значения важности столбцов для модели clf_gbt, используя методы .get_booster() и .get_score().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Create and train the model on the training data
____ = xgb.____().____(____,np.ravel(____))

# Print the column importances from the model
print(clf_gbt.____().____(importance_type = 'weight'))

Редактировать и запускать код