Важливість ознак і прогноз дефолту

Коли ви працюєте з кількома тренувальними наборами, що містять різні групи стовпців, важливо стежити, які стовпці справді впливають, а які — ні. Підтримувати набір стовпців може бути дорого або забирати багато часу, особливо якщо вони не впливають на loan_status.

Дані X для цієї вправи були створені таким кодом:

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

Навчіть модель XGBClassifier() на цих даних і перевірте важливість стовпців, щоб побачити, як кожен із них працює для передбачення loan_status.

Набір даних cr_loan_pret, а також 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 і натренуйте модель XGBClassifier() на тренувальних вибірках X_train і y_train та збережіть її як clf_gbt.
Виведіть важливість стовпців для моделі clf_gbt, використавши .get_booster() і .get_score().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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'))

Редагувати та запускати код