ต้นไม้สำหรับการผิดนัดชำระ

ในแบบฝึกหัดนี้ จะได้ฝึกโมเดล gradient boosted tree บนข้อมูลสินเชื่อ และดูตัวอย่างค่าพยากรณ์บางส่วน ยังจำตอนที่ดูค่าพยากรณ์ของโมเดล logistic regression ครั้งแรกได้ไหม? ผลลัพธ์ยังไม่ค่อยดีนัก แล้วโมเดลนี้จะแตกต่างออกไปหรือเปล่า?

ข้อมูลสินเชื่อ cr_loan_prep ชุดการฝึก X_train และ y_train รวมถึงข้อมูลทดสอบ X_test พร้อมใช้งานใน workspace แล้ว โดยโหลดแพ็กเกจ XGBoost ไว้เป็น xgb

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

สร้างและฝึก gradient boosted tree โดยใช้ XGBClassifier() แล้วตั้งชื่อว่า clf_gbt
พยากรณ์ความน่าจะเป็นของการผิดนัดชำระบนข้อมูลทดสอบ และเก็บผลลัพธ์ไว้ใน gbt_preds
สร้าง data frame สองตัว ได้แก่ preds_df และ true_df เพื่อเก็บค่าพยากรณ์ 5 รายการแรก และค่าจริงของ loan_status
เชื่อมและแสดงผล data frame true_df และ preds_df ตามลำดับ แล้วตรวจสอบผลลัพธ์ของโมเดล

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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))

แก้ไขและรันโค้ด