Визуализация важности признаков
Когда модель обучается на разных наборах признаков, её производительность меняется. Но изменяется ли важность одного и того же признака в зависимости от того, в какую группу он входит?
Наборы данных X2 и X3 созданы с помощью следующего кода:
X2 = cr_loan_prep[['loan_int_rate','person_emp_length']]
X3 = cr_loan_prep[['person_income','loan_int_rate','loan_percent_income']]
Понимание того, как различные признаки влияют на предсказание loan_status, очень важно для интерпретируемости модели.
Наборы данных cr_loan_prep, X2_train, X2_test, X3_train, X3_test, y_train, y_test загружены в рабочую область.
Это упражнение является частью курса
Моделирование кредитного риска на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Train a model on the X data with 2 columns
____ = xgb.____().____(____,np.ravel(____))
# Plot the column importance for this model
xgb.____(____, importance_type = 'weight')
plt.____()