用于违约预测的树模型

现在，您将基于信用数据训练一个梯度提升树模型，并查看部分预测结果。还记得第一次查看逻辑回归模型的预测吗？效果并不理想。您认为这次的模型会有所不同吗？

工作区中已提供信用数据 cr_loan_prep、训练集 X_train 和 y_train，以及测试数据 X_test。XGBoost 包已以 xgb 名称加载。

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 XGBClassifier() 创建并训练一个梯度提升树，命名为 clf_gbt。
在测试数据上预测违约概率，并将结果存入 gbt_preds。
创建两个数据框 preds_df 和 true_df，分别存放前 5 个预测值和对应的真实 loan_status 值。
按顺序连接并打印数据框 true_df 和 preds_df，检查模型结果。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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))

编辑并运行代码