Träd för kreditförluster

Nu ska du träna en modell med gradientförstärkta träd på kreditdata och titta på ett urval av prediktionerna. Minns du när du först såg prediktionerna från logistisk regression? De såg inte lovande ut. Tror du att den här modellen blir annorlunda?

Kreditdatan cr_loan_prep, träningsseten X_train och y_train, samt testdatan X_test finns tillgängliga i arbetsmiljön. XGBoost-paketet är inläst som xgb.

Den här övningen är en del av kursen

Kreditriskmodellering i Python

Visa kurs

Övningsinstruktioner

Skapa och träna ett gradientförstärkt träd med XGBClassifier() och ge det namnet clf_gbt.
Prediktera sannolikheter för kreditförlust på testdatan och spara resultaten i gbt_preds.
Skapa två dataramar, preds_df och true_df, för att lagra de första fem prediktionerna och de faktiska värdena för loan_status.
Konkatenera och skriv ut dataramarna true_df och preds_df i den ordningen, och kontrollera modellens resultat.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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))

Redigera och kör kod