Chấm điểm bằng cross-validation
Bây giờ, bạn sẽ dùng chấm điểm bằng cross-validation với cross_val_score() để kiểm tra hiệu năng tổng thể.
Bài tập này là cơ hội tuyệt vời để thử các siêu tham số learning_rate và max_depth. Hãy nhớ, siêu tham số giống như các thiết lập có thể giúp tối ưu hiệu năng.
Các tập dữ liệu cr_loan_prep, X_train và y_train đã được nạp sẵn trong môi trường làm việc.
Bài tập này là một phần của khóa học
Mô hình hóa Rủi ro Tín dụng bằng Python
Hướng dẫn bài tập
- Tạo một cây tăng cường độ dốc (gradient boosted tree) với learning rate
0.1và độ sâu tối đa7. Lưu mô hình làgbt. - Tính điểm cross-validation trên tập dữ liệu
X_trainvày_trainvới4folds. Lưu kết quả làcv_scores. - In các điểm số cross-validation.
- In điểm chính xác trung bình và độ lệch chuẩn với định dạng phù hợp.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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))