การให้คะแนนด้วย Cross-validation

ในแบบฝึกหัดนี้ ให้ใช้ cross-validation scoring ด้วย cross_val_score() เพื่อตรวจสอบประสิทธิภาพโดยรวมของโมเดล

นี่เป็นโอกาสดีในการทดลองใช้ hyperparameter อย่าง learning_rate และ max_depth โดย hyperparameter เปรียบเสมือนการตั้งค่าที่ช่วยให้โมเดลทำงานได้อย่างเหมาะสมที่สุด

ชุดข้อมูล cr_loan_prep, X_train และ y_train ถูกโหลดไว้ใน workspace แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

สร้าง gradient boosted tree โดยกำหนด learning rate เป็น 0.1 และ max depth เป็น 7 แล้วเก็บโมเดลไว้ในตัวแปร gbt
คำนวณค่า cross validation scores กับชุดข้อมูล X_train และ y_train โดยใช้ 4 folds แล้วเก็บผลลัพธ์ไว้ในตัวแปร cv_scores
แสดงผลค่า cross validation scores
แสดงผลค่าความแม่นยำเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานพร้อมการจัดรูปแบบ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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))

แก้ไขและรันโค้ด