Оцінювання з крос-валідацією

Тепер застосуйте оцінювання з крос-валідацією за допомогою cross_val_score(), щоб перевірити загальну якість моделі.

Ця вправа — чудова нагода випробувати гіперпараметри learning_rate і max_depth. Пам'ятайте: гіперпараметри — це налаштування, які допомагають досягти оптимальної продуктивності.

Набори даних cr_loan_prep, X_train і y_train вже завантажено в робочу область.

Ця вправа є частиною курсу

Моделювання кредитного ризику в Python

Переглянути курс

Інструкції до вправи

Створіть модель gradient boosted tree зі швидкістю навчання 0.1 і максимальною глибиною 7. Збережіть модель у змінній gbt.
Обчисліть оцінки крос-валідації для даних X_train і y_train з 4 фолдами. Збережіть результати у змінній cv_scores.
Виведіть результати крос-валідації.
Виведіть середнє значення accuracy та стандартне відхилення з форматуванням.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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))

Редагувати та запускати код