Дерева для прогнозу дефолтів

Тепер ви навчите модель градієнтного бустингу дерев на кредитних даних і переглянете зразок прогнозів. Пам'ятаєте, коли ви вперше дивилися на прогнози логістичної регресії? Вони виглядали не дуже. Як гадаєте, ця модель покаже інший результат?

Кредитні дані cr_loan_prep, тренувальні вибірки X_train і y_train, а також тестові дані X_test доступні у робочому середовищі. Пакет XGBoost завантажено як xgb.

Ця вправа є частиною курсу

Моделювання кредитного ризику в Python

Переглянути курс

Інструкції до вправи

Створіть і навчіть градієнтний бустинг дерев за допомогою XGBClassifier() та назвіть його clf_gbt.
Спрогнозуйте ймовірності дефолту на тестових даних і збережіть результат у gbt_preds.
Створіть два датафрейми, preds_df і true_df, щоб зберегти перші п'ять прогнозів і справжні значення loan_status.
Об'єднайте й виведіть датафрейми true_df і preds_df у такому порядку та перевірте результати моделі.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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))

Редагувати та запускати код