違約的樹模型
你現在要在信用資料上訓練一個梯度提升樹模型，並查看部分預測結果。還記得先前看過邏輯斯迴歸模型的預測嗎？表現並不理想。你覺得這個模型會不一樣嗎？
工作區已提供信用資料 cr_loan_prep、訓練集 X_train 與 y_train，以及測試資料 X_test。XGBoost 套件已以 xgb 載入。
本練習屬於課程
以 Python 進行信用風險建模
練習說明
- 使用
XGBClassifier()建立並訓練梯度提升樹，命名為clf_gbt。 - 在測試資料上預測違約機率，將結果存為
gbt_preds。 - 建立兩個資料框
preds_df與true_df，用來存放前 5 筆預測與對應的真實loan_status值。 - 依序串接並印出
true_df和preds_df，檢查模型結果。
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。
# Train a model
import xgboost as xgb
____ = xgb.____().fit(____, np.ravel(____))
# Predict with a model
____ = clf_gbt.____(____)
# Create dataframes of first five predictions, and first five true labels
____ = pd.DataFrame(____[:,1][0:5], columns = ['prob_default'])
____ = y_test.____()
# Concatenate and print the two data frames for comparison
print(pd.____([____.reset_index(drop = True), ____], axis = 1))