Saatnya membuat model XGBoost pertama Anda! Seperti yang ditunjukkan Sergey dalam video, Anda dapat menggunakan paradigma scikit-learn .fit() / .predict() yang sudah Anda kenal untuk membangun model XGBoost, karena pustaka xgboost memiliki API yang kompatibel dengan scikit-learn!

Di sini, Anda akan bekerja dengan data churn. Himpunan data ini berisi data imajiner dari sebuah aplikasi ride-sharing dengan perilaku pengguna selama bulan pertama penggunaan aplikasi di sejumlah kota imajiner, serta apakah mereka masih menggunakan layanan tersebut 5 bulan setelah pendaftaran. Data ini telah dimuat untuk Anda ke dalam DataFrame bernama churn_data — jelajahi di Shell!

Tujuan Anda adalah menggunakan data bulan pertama untuk memprediksi apakah pengguna aplikasi akan tetap menggunakan layanan pada bulan ke-5. Ini adalah skenario umum untuk masalah prediksi churn. Untuk melakukannya, Anda akan membagi data menjadi himpunan pelatihan dan uji, melatih model xgboost kecil pada himpunan pelatihan, dan mengevaluasi kinerjanya pada himpunan uji dengan menghitung akurasinya.

pandas dan numpy telah diimpor sebagai pd dan np, dan train_test_split telah diimpor dari sklearn.model_selection. Selain itu, array untuk fitur dan target telah dibuat sebagai X dan y.

Manakah dari berikut ini yang merupakan masalah klasifikasi?

Extreme Gradient Boosting dengan XGBoost

Latihan interaktif langsung