Gradient boosted ağaçları değerlendirme

Artık XGBClassifier() modellerini temerrüt olasılığını tahmin etmek için kullandın. Bu modeller, loan_status için gerçek sınıfı veren tahminler oluşturmak üzere .predict() yöntemini de kullanabilir.

Eşik değerleri henüz ayarlamadığını unutmadan, classification_report() metriklerine bakarak modelin ilk performansını kontrol etmelisin.

cr_loan_prep, X_test ve y_test veri kümeleri çalışma alanına zaten yüklendi. clf_gbt modeli de yüklendi. Lojistik regresyon için classification_report() otomatik olarak yazdırılacak.

Bu egzersiz

Python ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

X test verileri için loan_status değerlerini tahmin et ve gbt_preds içine kaydet.
gbt_preds içeriğini kontrol ederek temerrüt olasılıkları değil, tahmin edilen loan_status değerlerini gördüğünden emin ol.
Modelin y_teste karşı performansı için bir classification_report() yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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))

Kodu Düzenle ve Çalıştır