Đến lúc bạn tạo mô hình XGBoost đầu tiên! Như Sergey đã minh họa trong video, bạn có thể dùng khuôn mẫu scikit-learn .fit() / .predict() mà bạn đã quen thuộc để xây dựng mô hình XGBoost, vì thư viện xgboost có API tương thích với scikit-learn!

Ở đây, bạn sẽ làm việc với dữ liệu churn. Bộ dữ liệu này chứa dữ liệu giả lập từ một ứng dụng gọi xe, gồm hành vi người dùng trong tháng đầu sử dụng ứng dụng tại một số thành phố giả định, cùng thông tin liệu họ còn dùng dịch vụ sau 5 tháng kể từ khi đăng ký hay không. Dữ liệu đã được nạp sẵn vào DataFrame tên churn_data — hãy khám phá trong Shell!

Mục tiêu của bạn là dùng dữ liệu trong tháng đầu để dự đoán liệu người dùng vẫn tiếp tục sử dụng dịch vụ ở mốc 5 tháng hay không. Đây là thiết lập điển hình cho bài toán dự đoán churn. Để làm điều này, bạn sẽ chia dữ liệu thành tập huấn luyện và kiểm tra, huấn luyện một mô hình xgboost nhỏ trên tập huấn luyện, và đánh giá hiệu năng trên tập kiểm tra bằng cách tính độ chính xác (accuracy).

pandas và numpy đã được nhập là pd và np, và train_test_split đã được nhập từ sklearn.model_selection. Ngoài ra, mảng đặc trưng và mục tiêu đã được tạo sẵn lần lượt là X và y.

Đâu là một bài toán phân loại?

Gradient Boosting Cực Mạnh với XGBoost

Bài tập tương tác thực hành