Візуалізація важливості ознак
Коли модель навчається на різних наборах стовпців, її якість змінюється. Але чи змінюється важливість однієї й тієї самої ознаки залежно від групи, до якої вона входить?
Набори даних X2 та X3 створені таким кодом:
X2 = cr_loan_prep[['loan_int_rate','person_emp_length']]
X3 = cr_loan_prep[['person_income','loan_int_rate','loan_percent_income']]
Розуміння того, як різні ознаки використовуються для передбачення loan_status, є дуже важливим для інтерпретованості моделі.
Набори даних cr_loan_prep, X2_train, X2_test, X3_train, X3_test, y_train, y_test завантажено в робоче середовище.
Ця вправа є частиною курсу
Моделювання кредитного ризику в Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Train a model on the X data with 2 columns
____ = xgb.____().____(____,np.ravel(____))
# Plot the column importance for this model
xgb.____(____, importance_type = 'weight')
plt.____()