A venit momentul să creezi primul tău model XGBoost! Așa cum ți-a arătat Sergey în videoclip, poți folosi paradigma .fit() / .predict() din scikit-learn, cu care ești deja familiarizat, pentru a construi modele XGBoost — biblioteca xgboost are un API compatibil cu scikit-learn!

În acest exercițiu vei lucra cu date despre renunțarea la servicii (churn). Setul de date conține date fictive dintr-o aplicație de ride-sharing, incluzând comportamentul utilizatorilor în prima lor lună de utilizare a aplicației în mai multe orașe imaginare, precum și dacă au continuat să folosească serviciul după 5 luni de la înregistrare. Acesta a fost preîncărcat într-un DataFrame numit churn_data — explorează-l în Shell!

Scopul tău este să folosești datele din prima lună pentru a prezice dacă utilizatorii aplicației vor rămâne activi la marcajul de 5 luni. Aceasta este o configurare tipică pentru o problemă de predicție a renunțării. Pentru a face acest lucru, vei împărți datele în seturi de antrenament și de testare, vei antrena un model xgboost mic pe setul de antrenament și îi vei evalua performanța pe setul de testare prin calcularea acurateței.

pandas și numpy au fost importate ca pd și np, iar train_test_split a fost importat din sklearn.model_selection. De asemenea, tablourile pentru caracteristici și țintă au fost create ca X și y.

Care dintre acestea este o problemă de clasificare?

Gradient Boosting Extrem cu XGBoost

Exercițiu interactiv practic