列选择与模型性能
使用不同的列组合来创建训练集，会影响模型本身以及列的重要性分数。不同的列选择是否也会影响模型的 F-1 分数（由 precision 和 recall 共同决定）？您可以通过在两组不同的列上分别训练两个模型，并检查其性能来回答这个问题。
将违约样本误判为非违约，尤其是在这类贷款的违约概率很低时，可能带来意外损失。您可以关注违约类的 F-1 分数，来判断模型对违约的识别是否准确。
工作区中已加载信贷数据 cr_loan_prep 以及两组训练列 X 和 X2。模型 gbt 和 gbt2 已经训练完毕。
本练习是课程的一部分
Python 信用风险建模
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 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))