Czas zbudować swój pierwszy model XGBoost! Jak pokazał Sergey w filmie, możesz korzystać ze schematu .fit() / .predict() ze scikit-learn, który już znasz – biblioteka xgboost udostępnia API zgodne z scikit-learn!

W tym ćwiczeniu pracujesz z danymi dotyczącymi rezygnacji klientów (churn). Zbiór danych zawiera fikcyjne dane z aplikacji do wspólnych przejazdów: zachowania użytkowników w ciągu pierwszego miesiąca korzystania z aplikacji w wybranych miastach oraz informację, czy nadal korzystali z usługi po 5 miesiącach od rejestracji. Dane zostały wczytane do ramki danych churn_data – możesz je przejrzeć w konsoli!

Twoim celem jest wykorzystanie danych z pierwszego miesiąca do przewidzenia, czy użytkownicy aplikacji pozostaną jej klientami po 5 miesiącach. To typowe podejście do problemu przewidywania rezygnacji. W tym celu podzielisz dane na zbiór treningowy i testowy, dostosujesz mały model xgboost do danych treningowych, a następnie ocenisz jego skuteczność na zbiorze testowym, obliczając dokładność.

Biblioteki pandas i numpy zostały zaimportowane jako pd i np, a train_test_split – z sklearn.model_selection. Tablice cech i zmiennej docelowej są dostępne jako X i y.

Kiedy warto używać XGBoost?

Create Your Free Account