이제 첫 번째 XGBoost 모델을 만들어 볼 시간이에요! Sergey가 영상에서 보여준 것처럼, xgboost 라이브러리는 scikit-learn과 호환되는 API를 제공하므로, 익숙한 scikit-learn의 .fit() / .predict() 패턴을 그대로 사용해 XGBoost 모델을 만들 수 있어요.

여기서는 이탈(churn) 데이터를 다룹니다. 이 데이터셋은 가상의 도시에서 승차 공유 앱을 사용하는 가상 사용자들의 첫 한 달간 행동과, 가입 5개월 후에도 서비스를 이용했는지 여부를 담고 있어요. 데이터는 churn_data라는 DataFrame으로 미리 로드되어 있으니 Shell에서 살펴보세요!

목표는 첫 한 달의 데이터를 사용해 5개월 시점에도 사용자가 서비스를 계속 이용할지 예측하는 것입니다. 이것이 전형적인 이탈 예측 문제 설정이에요. 이를 위해 데이터를 훈련/테스트 세트로 나누고, 훈련 세트에 작은 xgboost 모델을 학습시킨 뒤, 테스트 세트에서 정확도를 계산해 성능을 평가합니다.

pandas와 numpy는 각각 pd, np로 임포트되어 있고, sklearn.model_selection에서 train_test_split도 임포트되어 있어요. 또한 특성과 타깃에 해당하는 배열은 각각 X와 y로 생성되어 있습니다.

XGBoost는 언제 사용하면 좋을까요?

Create Your Free Account