Пришло время создать вашу первую модель XGBoost! Как показал Сергей в видео, для построения моделей XGBoost можно использовать уже знакомую вам парадигму .fit() / .predict() из scikit-learn — библиотека xgboost совместима с API scikit-learn!

В этом упражнении вы будете работать с данными об оттоке клиентов. Набор данных содержит вымышленную информацию из приложения для поездок: поведение пользователей в течение первого месяца использования приложения в ряде вымышленных городов, а также сведения о том, пользовались ли они сервисом через 5 месяцев после регистрации. Данные уже загружены в DataFrame с именем churn_data — изучите их в оболочке Shell!

Ваша цель — используя данные за первый месяц, предсказать, останутся ли пользователи приложения активными клиентами на отметке в 5 месяцев. Это типичная постановка задачи прогнозирования оттока. Для этого вы разделите данные на обучающую и тестовую выборки, обучите небольшую модель xgboost на обучающей выборке и оцените её качество на тестовой, вычислив точность.

Библиотеки pandas и numpy уже импортированы как pd и np, а функция train_test_split — из sklearn.model_selection. Кроме того, массивы признаков и целевой переменной уже созданы как X и y.

Когда следует использовать XGBoost?

Create Your Free Account