1. Học hỏi
    2. /
  2. Khoa Học
    3. /
  3. Mô hình hóa Rủi ro Tín dụng bằng Python
Connected

Bài tập

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.

Hướng dẫn

100 XP
  • Tạo và huấn luyện một gradient boosted tree dùng XGBClassifier() và đặt tên là clf_gbt.
  • Dự đoán xác suất vỡ nợ trên dữ liệu kiểm tra và lưu kết quả vào gbt_preds.
  • Tạo hai data frame, preds_df và true_df, để lưu 5 dự đoán đầu tiên và giá trị loan_status thực tế.
  • Nối và in các data frame true_df và preds_df theo thứ tự, rồi kiểm tra kết quả của mô hình.