XGBoost：訓練／預測
現在來建立你的第一個 XGBoost 模型！如同 Sergey 在影片中示範的，你可以使用自己已經熟悉的 scikit-learn .fit()／.predict() 範式來建構 XGBoost 模型，因為 xgboost 函式庫提供與 scikit-learn 相容的 API！
這裡你要處理的是流失（churn）資料。此資料集包含一個叫車 App 的虛構資料：使用者在註冊後第 1 個月於一組虛構城市中的使用行為，以及在註冊滿 5 個月時是否仍持續使用服務。系統已為你將它載入為名為 churn_data 的 DataFrame——到 Shell 裡探索看看！
你的目標是使用第 1 個月的資料，預測使用者在第 5 個月是否仍會繼續使用這項服務。這是典型的流失預測問題設定。為了達成這個目標，你將把資料切分為訓練集與測試集，在訓練集上擬合一個小型的 xgboost 模型，並在測試集上以準確率來評估其效能。
pandas 與 numpy 已分別以 pd 與 np 匯入，train_test_split 也已從 sklearn.model_selection 匯入。此外，已替你建立好特徵與目標的陣列，分別為 X 與 y。
本練習屬於課程
使用 XGBoost 的極端梯度提升
練習說明
- 將
xgboost以xgb的別名匯入。 - 建立訓練集與測試集，其中 20% 的資料作為測試集，並使用
random_state為123。 - 以
xgb.XGBClassifier()建立XGBoostClassifier，命名為xg_cl。將n_estimators設為10，objective設為'binary:logistic'。先不用擔心這些參數的意義，你會在本課程後面學到。 - 使用
.fit()將xg_cl擬合到訓練集（X_train, y_train）。 - 使用
.predict()預測測試集（X_test）的標籤，然後按下「Submit Answer」以列印準確率。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Import xgboost
____
# Create arrays for the features and the target: X, y
X, y = churn_data.iloc[:,:-1], churn_data.iloc[:,-1]
# Create the training and test sets
X_train, X_test, y_train, y_test= ____(____, ____, test_size=____, random_state=123)
# Instantiate the XGBClassifier: xg_cl
xg_cl = ____.____(____='____', ____=____, seed=123)
# Fit the classifier to the training set
____
# Predict the labels of the test set: preds
preds = ____
# Compute the accuracy: accuracy
accuracy = float(np.sum(preds==y_test))/y_test.shape[0]
print("accuracy: %f" % (accuracy))