Sütun önemi ve temerrüt tahmini

Birden çok eğitim kümesi ve farklı sütun gruplarıyla çalışırken, hangi sütunların önemli, hangilerinin önemsiz olduğunu takip etmek önemlidir. loan_status üzerinde etkisi olmasa bile bir sütun setini sürdürmek pahalı ya da zaman alıcı olabilir.

Bu egzersiz için X verisi aşağıdaki kodla oluşturuldu:

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

Bu veriler üzerinde bir XGBClassifier() modeli eğit ve sütun önemlerini kontrol ederek her birinin loan_status tahminindeki performansını gör.

cr_loan_pret veri kümesi ile birlikte X_train ve y_train çalışma alanına yüklendi.

Bu egzersiz

Python ile Kredi Riski Modellemesi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

X_train ve y_train eğitim kümeleri üzerinde bir XGBClassifier() modeli oluşturup eğit ve clf_gbt olarak kaydet.
.get_booster() ve .get_score() kullanarak clf_gbt içindeki sütunların önemlerini yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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'))

Kodu Düzenle ve Çalıştır