Nu är det dags att skapa din första XGBoost-modell! Som Sergey visade i videon kan du använda scikit-learns .fit() / .predict()-mönster som du redan känner till för att bygga dina XGBoost-modeller – biblioteket xgboost har nämligen ett scikit-learn-kompatibelt API!

Här kommer du att arbeta med churn-data. Datamängden innehåller fiktiva data från en samåkningsapp med användarbeteenden under deras första månad och huruvida de använde tjänsten 5 månader efter registrering. Den har förhandsladdats åt dig i en DataFrame som heter churn_data – utforska den gärna i Shell!

Målet är att använda data från den första månaden för att förutsäga om appens användare fortfarande är aktiva kunder vid 5-månadersmärket. Det här är ett typiskt upplägg för ett churn-prediktionsproblem. Du delar upp datan i tränings- och testmängder, tränar en liten xgboost-modell på träningsdatan och utvärderar dess prestanda på testmängden genom att beräkna noggrannheten.

pandas och numpy har importerats som pd och np, och train_test_split har importerats från sklearn.model_selection. Arrayerna för särdragen och målet har dessutom skapats som X och y.

Vilket av dessa är ett klassificeringsproblem?

Extreme Gradient Boosting med XGBoost

Interaktiv övning med praktiskt arbete