Đánh giá gradient boosted trees
Bạn đã dùng các mô hình XGBClassifier() để dự đoán xác suất vỡ nợ. Những mô hình này cũng có thể dùng phương thức .predict() để tạo dự đoán trả về lớp thực tế cho loan_status.
Bạn nên kiểm tra hiệu năng ban đầu của mô hình bằng cách xem các chỉ số từ classification_report(). Lưu ý rằng bạn chưa thiết lập ngưỡng cho các mô hình này.
Các tập dữ liệu cr_loan_prep, X_test và y_test đã được nạp sẵn vào môi trường làm việc. Mô hình clf_gbt cũng đã được nạp. classification_report() cho logistic regression sẽ tự động in ra.
Bài tập này là một phần của khóa học
Mô hình hóa Rủi ro Tín dụng bằng Python
Hướng dẫn bài tập
- Dự đoán các giá trị
loan_statuscho dữ liệu kiểm traXvà lưu vàogbt_preds. - Kiểm tra nội dung của
gbt_predsđể thấy các giá trịloan_statusđược dự đoán chứ không phải xác suất vỡ nợ. - In
classification_report()về hiệu năng của mô hình so vớiy_test.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Predict the labels for loan status
____ = clf_gbt.____(____)
# Check the values created by the predict method
print(____)
# Print the classification report of the model
target_names = ['Non-Default', 'Default']
print(classification_report(____, ____, target_names=target_names))