Tầm quan trọng của cột và dự đoán vỡ nợ
Khi dùng nhiều tập huấn luyện với nhiều nhóm cột khác nhau, bạn cần để ý cột nào thực sự quan trọng và cột nào thì không. Việc duy trì một tập cột có thể tốn kém hoặc mất thời gian, nhất là khi chúng không ảnh hưởng gì đến loan_status.
Dữ liệu X cho bài này được tạo bằng đoạn mã sau:
X = cr_loan_prep[['person_income','loan_int_rate',
'loan_percent_income','loan_amnt',
'person_home_ownership_MORTGAGE','loan_grade_F']]
Huấn luyện một mô hình XGBClassifier() trên dữ liệu này và kiểm tra độ quan trọng của cột để xem mỗi cột đóng góp thế nào trong việc dự đoán loan_status.
Bộ dữ liệu cr_loan_pret cùng với X_train và y_train đã được nạp sẵn trong không gian 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 và huấn luyện mô hình
XGBClassifier()trên các tập huấn luyệnX_trainvày_train, lưu vàoclf_gbt. - In độ quan trọng của các cột trong
clf_gbtbằng cách dùng.get_booster()và.get_score().
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Create and train the model on the training data
____ = xgb.____().____(____,np.ravel(____))
# Print the column importances from the model
print(clf_gbt.____().____(importance_type = 'weight'))