交叉驗證評分
現在，請使用 cross_val_score() 進行交叉驗證評分，檢查整體效能。
這個練習是測試 learning_rate 與 max_depth 這兩個超參數的好機會。記住，超參數就像設定值，能幫助你調出最佳表現。
資料集 cr_loan_prep、X_train 與 y_train 已經載入到工作區中。
本練習屬於課程
以 Python 進行信用風險建模
練習說明
- 建立一個學習率為
0.1、最大深度為7的梯度提升樹，並將模型存成gbt。 - 以
4折交叉驗證，對X_train與y_train資料集計算交叉驗證分數。將結果存為cv_scores。 - 印出交叉驗證分數。
- 以格式化方式印出平均正確率與標準差。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Create a gradient boosted tree model using two hyperparameters
____ = xgb.____(____ = ____, ____ = ____)
# Calculate the cross validation scores for 4 folds
____ = ____(____, ____, np.ravel(____), cv = ____)
# Print the cross validation scores
print(____)
# Print the average accuracy and standard deviation of the scores
print("Average accuracy: %0.2f (+/- %0.2f)" % (____.____(),
____.____() * 2))