É hora de criar seu primeiro modelo com XGBoost! Como o Sergey mostrou no vídeo, você pode usar o paradigma do scikit-learn .fit() / .predict() que você já conhece para construir seus modelos com XGBoost, já que a biblioteca xgboost tem uma API compatível com o scikit-learn!

Aqui, você vai trabalhar com dados de churn. Este conjunto de dados contém informações fictícias de um app de caronas, com os comportamentos dos usuários durante o primeiro mês de uso em um conjunto de cidades imaginárias, além de indicar se eles usaram o serviço 5 meses após o cadastro. Ele já foi carregado para você em um DataFrame chamado churn_data — explore-o no Shell!

Seu objetivo é usar os dados do primeiro mês para prever se os usuários do app continuarão usando o serviço após 5 meses. Esse é um cenário típico de previsão de churn. Para isso, você vai dividir os dados em conjuntos de treino e teste, ajustar um pequeno modelo xgboost no conjunto de treino e avaliar seu desempenho no conjunto de teste calculando a acurácia.

pandas e numpy foram importados como pd e np, e train_test_split foi importado de sklearn.model_selection. Além disso, os arrays de atributos e alvo já foram criados como X e y.

Qual desses é um problema de classificação?

Extreme Gradient Boosting com XGBoost

exercicio interativo prático