ความสำคัญของคอลัมน์และการพยากรณ์เบื้องต้น

เมื่อใช้ชุดข้อมูลฝึกสอนหลายชุดที่มีกลุ่มคอลัมน์แตกต่างกัน สิ่งสำคัญคือต้องติดตามว่าคอลัมน์ใดมีผลต่อโมเดลและคอลัมน์ใดไม่มี การดูแลรักษาคอลัมน์ที่ไม่ส่งผลต่อการพยากรณ์ loan_status อาจสิ้นเปลืองทั้งเวลาและทรัพยากรโดยไม่จำเป็น

ข้อมูล X สำหรับแบบฝึกหัดนี้สร้างขึ้นด้วยโค้ดต่อไปนี้:

X = cr_loan_prep[['person_income','loan_int_rate',
                  'loan_percent_income','loan_amnt',
                  'person_home_ownership_MORTGAGE','loan_grade_F']]

ฝึกโมเดล XGBClassifier() กับข้อมูลชุดนี้ แล้วตรวจสอบความสำคัญของแต่ละคอลัมน์เพื่อดูว่าแต่ละคอลัมน์ช่วยพยากรณ์ loan_status ได้ดีเพียงใด

ชุดข้อมูล cr_loan_pret พร้อมด้วย X_train และ y_train ได้ถูกโหลดไว้ใน workspace แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

สร้างและฝึกโมเดล XGBClassifier() บน X_train และ y_train จากนั้นเก็บไว้ในตัวแปรชื่อ clf_gbt
แสดงความสำคัญของคอลัมน์ใน clf_gbt โดยใช้ .get_booster() และ .get_score()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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'))

แก้ไขและรันโค้ด