评估梯度提升树
您已经使用 XGBClassifier() 模型来预测违约概率了。这些模型也可以使用 .predict() 方法，生成对 loan_status 的实际类别预测。
请通过查看 classification_report() 的各项指标来初步检查模型表现。请注意，您尚未为这些模型设置阈值。
数据集 cr_loan_prep、X_test 和 y_test 已加载到工作区。模型 clf_gbt 也已加载。逻辑回归的 classification_report() 会自动打印。
本练习是课程的一部分
Python 信用风险建模
练习说明
- 预测
X测试数据的loan_status，并将结果存入gbt_preds。 - 查看
gbt_preds的内容，确认其中是预测的loan_status类别，而不是违约概率。 - 打印
classification_report()，评估模型相对于y_test的表现。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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))