İlk XGBoost modelini oluşturma zamanı! Sergey’in videoda gösterdiği gibi, xgboost kütüphanesi scikit-learn ile uyumlu bir API’ye sahip olduğu için, hali hazırda bildiğin scikit-learn .fit() / .predict() yaklaşımını XGBoost modellerini kurarken kullanabilirsin.

Burada churn (müşteri kaybı) verileriyle çalışacaksın. Bu veri kümesi, hayali şehirlerde, bir yolculuk paylaşım uygulamasının kullanıcılarının uygulamayı ilk ay kullanımındaki davranışlarını ve kayıt olduktan 5 ay sonra hizmeti kullanıp kullanmadıklarını içeren hayali verilerden oluşuyor. Senin için churn_data adlı bir DataFrame’e önceden yüklenmiş durumda — Shell’de keşfet!

Amacın, ilk aydaki verileri kullanarak kullanıcıların 5. ayda hâlâ hizmeti kullanıp kullanmayacağını tahmin etmek. Bu, tipik bir churn tahmini problemidir. Bunu yapmak için veriyi eğitim ve test kümelerine bölecek, eğitim kümesi üzerinde küçük bir xgboost modeli eğitecek ve test kümesi üzerinde doğruluğunu hesaplayarak performansını değerlendireceksin.

pandas ve numpy sırasıyla pd ve np olarak içe aktarılmış durumda ve train_test_split de sklearn.model_selection içinden içe aktarılmıştır. Ayrıca, özellikler ve hedef için diziler X ve y olarak oluşturulmuştur.

Bunlardan hangisi bir sınıflandırma problemidir?

XGBoost ile Aşırı Gradyan Artırma

Uygulamalı etkileşimli egzersiz