Utvärdera gradientboostade träd
Du har nu använt XGBClassifier()-modeller för att förutsäga sannolikheten för betalningsinställelse. Dessa modeller kan även använda metoden .predict() för att skapa förutsägelser som ger den faktiska klassen för loan_status.
Kontrollera modellens initiala prestanda genom att titta på måtten från classification_report(). Tänk på att du ännu inte har angett tröskelvärden för dessa modeller.
Datamängderna cr_loan_prep, X_test och y_test har redan laddats in i arbetsytan. Modellen clf_gbt har också laddats in. classification_report() för den logistiska regressionen skrivs ut automatiskt.
Den här övningen är en del av kursen
Kreditriskmodellering i Python
Övningsinstruktioner
- Förutsäg
loan_status-värdena förX-testdatan och lagra dem igbt_preds. - Kontrollera innehållet i
gbt_predsför att se de förutsagdaloan_status-värdena, inte sannolikheterna för betalningsinställelse. - Skriv ut en
classification_report()över modellens prestanda jämfört medy_test.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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))