列重要性与违约预测

当使用包含多组列的多个训练集时，了解哪些列重要、哪些不重要非常关键。即使某些列对 loan_status 没有任何影响，维护它们也可能代价高或耗时长。

本练习的 X 数据由以下代码创建：

X = cr_loan_prep[['person_income','loan_int_rate',
                  'loan_percent_income','loan_amnt',
                  'person_home_ownership_MORTGAGE','loan_grade_F']]

在这些数据上训练一个 XGBClassifier() 模型，并检查列重要性，看看每一列对预测 loan_status 的作用如何。

cr_loan_pret 数据集以及 X_train 和 y_train 已加载到工作空间。

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

在 X_train 和 y_train 训练集上创建并训练一个 XGBClassifier() 模型，并将其保存为 clf_gbt。
使用 .get_booster() 和 .get_score() 打印 clf_gbt 中各列的重要性。

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 and train the model on the training data
____ = xgb.____().____(____,np.ravel(____))

# Print the column importances from the model
print(clf_gbt.____().____(importance_type = 'weight'))

编辑并运行代码