Temerrütler için ağaçlar

Şimdi kredi verileri üzerinde bir gradient boosted tree modeli eğitecek ve bazı tahminlerin örneklerine bakacaksın. Lojistik regresyon modelinin tahminlerine ilk baktığın zamanı hatırlıyor musun? İyi görünmüyorlardı. Sence bu model farklı olacak mı?

Kredi verisi cr_loan_prep, eğitim kümeleri X_train ve y_train, ve test verisi X_test çalışma alanında hazır. XGBoost paketi xgb olarak yüklü.

Bu egzersiz

Python ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

XGBClassifier() kullanarak bir gradient boosted tree oluştur ve eğit; adına clf_gbt de.
Test verisi üzerinde temerrüt olasılıklarını tahmin et ve sonuçları gbt_preds içinde sakla.
İlk beş tahmini ve gerçek loan_status değerlerini saklamak için preds_df ve true_df adlı iki veri çerçevesi oluştur.
true_df ve preds_df veri çerçevelerini bu sırayla birleştirip yazdır ve modelin sonuçlarını kontrol et.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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))

Kodu Düzenle ve Çalıştır