評估梯度提升樹
你已經使用 XGBClassifier() 模型來預測違約機率。這些模型也可以用 .predict() 方法來產生 loan_status 的實際類別預測。
你應先透過 classification_report() 的評估指標來檢視模型的初始表現。請記得，你還沒有為這些模型設定臨界值。
資料集 cr_loan_prep、X_test 與 y_test 已載入工作環境。模型 clf_gbt 也已載入。邏輯斯迴歸的 classification_report() 會自動列印。
本練習屬於課程
以 Python 進行信用風險建模
練習說明
- 對
X測試資料預測loan_status並將結果存成gbt_preds。 - 檢查
gbt_preds的內容，以確認看到的是預測的loan_status類別，而不是違約機率。 - 列印
classification_report()，比較模型對y_test的表現。
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。
# 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))