È il momento di creare il tuo primo modello XGBoost! Come Sergey ha mostrato nel video, puoi usare il paradigma .fit() / .predict() di scikit-learn che già conosci per costruire i tuoi modelli XGBoost, perché la libreria xgboost ha un'API compatibile con scikit-learn!

Qui lavorerai con dati di churn. Questo insieme di dati contiene dati immaginari di un'app di ride-sharing con i comportamenti degli utenti durante il primo mese di utilizzo dell'app in un insieme di città immaginarie, oltre a indicare se hanno usato il servizio 5 mesi dopo l'iscrizione. È stato precaricato per te in un DataFrame chiamato churn_data - esploralo nella Shell!

Il tuo obiettivo è usare i dati del primo mese per prevedere se gli utenti dell'app resteranno utenti del servizio al traguardo dei 5 mesi. Questo è un tipico setup per un problema di previsione del churn. Per farlo, dividerai i dati in training e test set, adatterai un piccolo modello xgboost sul training set e valuterai le sue prestazioni sul test set calcolandone l'accuracy.

pandas e numpy sono stati importati come pd e np, e train_test_split è stato importato da sklearn.model_selection. Inoltre, gli array per le feature e il target sono stati creati come X e y.

Quale di questi è un problema di classificazione?

Extreme Gradient Boosting con XGBoost

esercizio interattivo pratico