¡Hora de crear tu primer modelo de XGBoost! Como Sergey te mostró en el vídeo, puedes usar el paradigma de scikit-learn .fit() / .predict() que ya conoces para construir tus modelos de XGBoost, ya que la biblioteca xgboost tiene una API compatible con scikit-learn.

Aquí trabajarás con datos de churn. Este conjunto de datos contiene información ficticia de una app de viajes compartidos con comportamientos de usuarios durante su primer mes de uso en un conjunto de ciudades imaginarias, así como si usaron el servicio 5 meses después del registro. Ya se ha precargado en un DataFrame llamado churn_data. ¡Explóralo en la consola!

Tu objetivo es usar los datos del primer mes para predecir si los usuarios de la app seguirán usando el servicio a los 5 meses. Este es un planteamiento típico de un problema de predicción de churn. Para ello, dividirás los datos en conjuntos de entrenamiento y de prueba, ajustarás un pequeño modelo de xgboost en el conjunto de entrenamiento y evaluarás su rendimiento en el conjunto de prueba calculando su exactitud.

pandas y numpy se han importado como pd y np, y train_test_split se ha importado de sklearn.model_selection. Además, ya se han creado los arrays para las características y el objetivo como X y y.

¿Cuál de estos es un problema de clasificación?

Extreme Gradient Boosting con XGBoost

Ejercicio interactivo práctico