Cây dự báo vỡ nợ
Bây giờ bạn sẽ huấn luyện một mô hình cây tăng cường độ dốc (gradient boosted tree) trên dữ liệu tín dụng và xem một mẫu dự đoán. Bạn còn nhớ khi lần đầu xem dự đoán của mô hình hồi quy logistic không? Chúng không ổn lắm. Bạn nghĩ mô hình này sẽ khác chứ?
Dữ liệu tín dụng cr_loan_prep, các tập huấn luyện X_train và y_train, cùng dữ liệu kiểm tra X_test đã có sẵn trong môi trường làm việc. Gói XGBoost đã được nạp là xgb.
Bài tập này là một phần của khóa học
Mô hình hóa Rủi ro Tín dụng bằng Python
Hướng dẫn bài tập
- Tạo và huấn luyện một gradient boosted tree dùng
XGBClassifier()và đặt tên làclf_gbt. - Dự đoán xác suất vỡ nợ trên dữ liệu kiểm tra và lưu kết quả vào
gbt_preds. - Tạo hai data frame,
preds_dfvàtrue_df, để lưu 5 dự đoán đầu tiên và giá trịloan_statusthực tế. - Nối và in các data frame
true_dfvàpreds_dftheo thứ tự, rồi kiểm tra kết quả của mô hình.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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))