Kolumnvikt och standardprediktion
När du arbetar med flera träningsset som innehåller många olika kolumngrupper är det viktigt att hålla koll på vilka kolumner som spelar roll och vilka som inte gör det. Det kan vara kostsamt eller tidskrävande att underhålla kolumner som ändå inte påverkar loan_status.
X-datan för den här övningen skapades med följande kod:
X = cr_loan_prep[['person_income','loan_int_rate',
'loan_percent_income','loan_amnt',
'person_home_ownership_MORTGAGE','loan_grade_F']]
Träna en XGBClassifier()-modell på dessa data och kontrollera kolumnvikterna för att se hur varje kolumn bidrar till att prediktera loan_status.
Datamängden cr_loan_pret samt X_train och y_train har lästs in i arbetsytan.
Den här övningen är en del av kursen
Kreditriskmodellering i Python
Övningsinstruktioner
- Skapa och träna en
XGBClassifier()-modell på träningssetenX_trainochy_train, och lagra den somclf_gbt. - Skriv ut kolumnvikterna för kolumnerna i
clf_gbtmed hjälp av.get_booster()och.get_score().
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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'))