ประเมินประสิทธิภาพของ Gradient Boosted Trees
ตอนนี้คุณได้ใช้โมเดล XGBClassifier() เพื่อทำนายความน่าจะเป็นของการผิดนัดชำระหนี้แล้ว โมเดลเหล่านี้ยังสามารถใช้เมธอด .predict() เพื่อสร้างการทำนายที่แสดงผลเป็นคลาสจริงสำหรับ loan_status ได้ด้วย
ควรตรวจสอบประสิทธิภาพเบื้องต้นของโมเดลโดยดูค่าเมตริกจาก classification_report() โดยยังไม่ได้กำหนดค่าเกณฑ์ (threshold) ให้กับโมเดลเหล่านี้
ชุดข้อมูล cr_loan_prep, X_test และ y_test ถูกโหลดไว้ในพื้นที่ทำงานแล้ว รวมถึงโมเดล clf_gbt ด้วย classification_report() สำหรับ Logistic Regression จะพิมพ์ผลลัพธ์โดยอัตโนมัติ
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python
คำแนะนำการฝึกหัด
- ทำนายค่า
loan_statusจากข้อมูลทดสอบXแล้วเก็บผลลัพธ์ไว้ในgbt_preds - ตรวจสอบเนื้อหาของ
gbt_predsเพื่อดูค่าloan_statusที่ทำนายได้ ไม่ใช่ค่าความน่าจะเป็นของการผิดนัดชำระหนี้ - พิมพ์
classification_report()เพื่อดูประสิทธิภาพของโมเดลเทียบกับy_test
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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))