Çapraz doğrulama skoru

Şimdi, genel performansı kontrol etmek için cross_val_score() ile çapraz doğrulama skorlamasını kullanmalısın.

Bu egzersiz, learning_rate ve max_depth hiperparametrelerinin kullanımını denemek için harika bir fırsat sunuyor. Unutma, hiperparametreler en iyi performansı elde etmeye yardımcı olan ayarlar gibidir.

cr_loan_prep, X_train ve y_train veri kümeleri çalışma alanına zaten yüklendi.

Bu egzersiz

Python ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

0.1 öğrenme oranına ve 7 maksimum derinliğe sahip bir gradient boosted tree oluştur. Modeli gbt olarak sakla.
X_train ve y_train veri kümelerine karşı 4 katlı çapraz doğrulama skorlarını hesapla. Sonuçları cv_scores olarak sakla.
Çapraz doğrulama skorlarını yazdır.
Ortalama doğruluk skorunu ve standart sapmayı biçimlendirme ile yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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))

Kodu Düzenle ve Çalıştır