Korsvalidering av poäng

Nu ska du använda korsvalidering med cross_val_score() för att kontrollera den övergripande prestandan.

Den här övningen är ett utmärkt tillfälle att prova hyperparametrarna learning_rate och max_depth. Kom ihåg att hyperparametrar fungerar som inställningar som kan bidra till optimal prestanda.

Datamängderna cr_loan_prep, X_train och y_train har redan laddats in i arbetsytan.

Den här övningen är en del av kursen

Kreditriskmodellering i Python

Visa kurs

Övningsinstruktioner

Skapa ett gradientförstärkt träd med en inlärningshastighet på 0.1 och ett maximalt djup på 7. Spara modellen som gbt.
Beräkna korsvalideringspoängen mot datamängderna X_train och y_train med 4 folds. Spara resultaten som cv_scores.
Skriv ut korsvalideringspoängen.
Skriv ut det genomsnittliga noggrannhetspoänget och standardavvikelsen med formatering.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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))

Redigera och kör kod