C'est le moment de créer votre premier modèle XGBoost! Comme Sergey l'a montré dans la vidéo, vous pouvez utiliser le paradigme scikit-learn .fit() / .predict() que vous connaissez déjà pour construire vos modèles XGBoost, puisque la bibliothèque xgboost offre une API compatible avec scikit-learn!

Ici, vous allez travailler avec des données d'attrition (churn). Cet ensemble contient des données fictives provenant d'une appli de covoiturage, avec les comportements des utilisatrices et utilisateurs durant leur premier mois d'utilisation dans un ensemble de villes fictives, ainsi que l'information sur l'utilisation du service 5 mois après l'inscription. Il a été préchargé pour vous dans un DataFrame nommé churn_data — explorez-le dans le Shell!

Votre objectif est d'utiliser les données du premier mois pour prédire si les personnes utilisatrices de l'appli continueront d'utiliser le service au cap des 5 mois. Il s'agit d'une configuration typique pour un problème de prédiction d'attrition. Pour ce faire, vous allez diviser les données en ensembles d'entraînement et de test, ajuster un petit modèle xgboost sur l'ensemble d'entraînement, puis évaluer sa performance sur l'ensemble de test en calculant sa précision.

pandas et numpy ont été importés sous les alias pd et np, et train_test_split a été importé de sklearn.model_selection. De plus, les tableaux pour les prédicteurs et la cible ont été créés sous les noms X et y.

Lequel de ces cas est un problème de classification?

Amorçage de gradient avancé avec XGBoost

Exercice interactif pratique