Je čas sestavit tvůj první XGBoost model! Jak ti Sergey ukázal ve videu, k trénování a predikci XGBoost modelů můžeš využít paradigma .fit() / .predict() ze scikit-learn, které už znáš — knihovna xgboost totiž nabízí API kompatibilní se scikit-learn!

V tomto cvičení budeš pracovat s daty o odchodu zákazníků. Dataset obsahuje fiktivní data z aplikace pro sdílení jízd: chování uživatelů v průběhu jejich prvního měsíce používání aplikace ve fiktivních městech a informaci o tom, zda službu využívali i 5 měsíců po registraci. Data jsou předem načtena do DataFrame s názvem churn_data — prozkoumej ho v shellu!

Tvým cílem je na základě dat z prvního měsíce předpovědět, zda uživatelé budou aplikaci stále používat i po 5 měsících. To je typický scénář pro predikci odchodu zákazníků. Data rozdělíš na trénovací a testovací sadu, na trénovací sadě natrénuješ jednoduchý model xgboost a jeho výkon vyhodnotíš na testovací sadě výpočtem přesnosti.

pandas a numpy jsou již importovány jako pd a np a train_test_split je importován z sklearn.model_selection. Pole příznaků a cílové proměnné jsou připraveny jako X a y.

Které z toho je klasifikační problém?

Extreme Gradient Boosting with XGBoost

Interaktivní praktické cvičení