交叉验证评分

现在，请使用 cross_val_score() 进行交叉验证评分，检查整体性能。

这道练习非常适合试用超参数 learning_rate 和 max_depth。请记住，超参数就像模型的设置，可以帮助获得更优的性能。

数据集 cr_loan_prep、X_train 和 y_train 已经加载到工作区。

本练习是课程的一部分

Python 信用风险建模

查看课程

练习说明

使用学习率为 0.1、最大深度为 7 的梯度提升树，并将模型保存为 gbt。
使用 4 折在 X_train 和 y_train 上计算交叉验证得分，并将结果保存为 cv_scores。
打印交叉验证得分。
以格式化方式打印平均准确率和标准差。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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))

编辑并运行代码