Оцінювання градієнтних бустингових дерев

Отже, ви вже використали моделі XGBClassifier() для прогнозування ймовірності дефолту. Ці моделі також можуть застосовувати метод .predict() для створення передбачень, що повертають фактичний клас для loan_status.

Варто перевірити початкову продуктивність моделі за метриками з classification_report(). Пам'ятайте, що ви ще не налаштовували пороги для цих моделей.

Набори даних cr_loan_prep, X_test і y_test уже завантажено в середовище. Модель clf_gbt також завантажено. classification_report() для логістичної регресії буде виведено автоматично.

Ця вправа є частиною курсу

Моделювання кредитного ризику в Python

Переглянути курс

Інструкції до вправи

Передбачте значення loan_status для тестових даних X і збережіть їх у gbt_preds.
Перевірте вміст gbt_preds, щоб побачити передбачені значення loan_status, а не ймовірності дефолту.
Виведіть classification_report() для оцінювання продуктивності моделі порівняно з y_test.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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))

Редагувати та запускати код