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

Bài tập

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.

Hướng dẫn

100 XP
  • Dự đoán các giá trị loan_status cho dữ liệu kiểm tra X và lưu vào gbt_preds.
  • Kiểm tra nội dung của gbt_preds để thấy các giá trị loan_status được dự đoán chứ không phải xác suất vỡ nợ.
  • In classification_report() về hiệu năng của mô hình so với y_test.