欄位選擇與模型效能
用不同的欄位組合建立訓練集，會影響模型本身以及各欄位的重要性分數。那麼，不同的欄位選擇是否也會影響模型的 F-1 分數（結合了 precision 與 recall）呢？你可以在兩組不同的欄位上各訓練一個模型，然後比較其效能來回答這個問題。
若把「違約」錯判為「未違約」，而這些貸款的違約機率其實很低，可能會帶來意料之外的損失。你可以查看「違約」類別的 F-1 分數，評估模型預測違約的準確度。
工作環境中已載入授信資料 cr_loan_prep，以及兩組訓練用欄位 X 與 X2。模型 gbt 與 gbt2 也都已經訓練完成。
本練習屬於課程
以 Python 進行信用風險建模
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 loan_status using each model
____ = gbt.____(____)
____ = gbt2.____(____)
# Print the classification report of the first model
target_names = ['Non-Default', 'Default']
print(____(____, ____, target_names=target_names))
# Print the classification report of the second model
print(____(____, ____, target_names=target_names))