Zeit für dein erstes XGBoost-Modell! Wie Sergey dir im Video gezeigt hat, kannst du das dir bereits vertraute scikit-learn-Paradigma .fit() / .predict() verwenden, um XGBoost-Modelle zu bauen, da die Bibliothek xgboost eine scikit-learn-kompatible API hat!

Hier arbeitest du mit Churn-Daten. Dieser Datensatz enthält fiktive Daten aus einer Ride-Sharing-App mit dem Verhalten von Nutzerinnen und Nutzern im ersten Monat der App-Nutzung in einer Reihe fiktiver Städte sowie der Information, ob sie den Service 5 Monate nach der Anmeldung weiterhin genutzt haben. Er wurde bereits als DataFrame churn_data für dich geladen – erkunde ihn in der Shell!

Dein Ziel ist es, mithilfe der Daten aus dem ersten Monat vorherzusagen, ob die App-Nutzerinnen und -Nutzer nach 5 Monaten noch dabei sind. Das ist ein typisches Setup für ein Churn-Prediction-Problem. Dafür teilst du die Daten in Trainings- und Test-Sets, passt ein kleines xgboost-Modell auf dem Training-Set an und bewertest seine Leistung auf dem Test-Set, indem du die Genauigkeit berechnest.

pandas und numpy wurden als pd und np importiert, und train_test_split wurde aus sklearn.model_selection importiert. Zusätzlich wurden die Arrays für Features und Zielvariable als X und y erstellt.

Welche dieser Aufgaben ist ein Klassifikationsproblem?

Extreme Gradient Boosting mit XGBoost

Interaktive Übung