XGBoost：拟合/预测
现在是创建您的第一个 XGBoost 模型的时候了！正如 Sergey 在视频中演示的，您可以使用 scikit-learn 的 .fit() / .predict() 范式来构建 XGBoost 模型，因为 xgboost 库提供了与 scikit-learn 兼容的 API！
这里，您将使用流失（churn）数据。该数据集包含一个网约车应用的虚拟数据，记录了用户在注册后第 1 个月的使用行为，覆盖一组虚构城市，并标注了用户在注册后第 5 个月是否仍然使用该服务。数据已为您预加载到名为 churn_data 的 DataFrame 中——请在 Shell 中探索它！
您的目标是使用第 1 个月的数据来预测用户在第 5 个月是否仍会使用该服务。这是一个典型的流失预测问题。为此，您将把数据拆分为训练集和测试集，在训练集上拟合一个小型的 xgboost 模型，并通过计算在测试集上的准确率来评估其性能。
pandas 和 numpy 已分别以 pd 和 np 导入，train_test_split 也已从 sklearn.model_selection 导入。此外，特征和目标对应的数组已分别创建为 X 和 y。
本练习是课程的一部分
使用 XGBoost 的极端梯度提升
练习说明
- 将
xgboost以xgb的别名导入。 - 创建训练集和测试集，使 20% 的数据用于测试。使用
random_state为123。 - 将
XGBoostClassifier实例化为xg_cl，调用xgb.XGBClassifier()。将n_estimators设为10，objective设为'binary:logistic'。先不必关心其含义，您将在本课程后续内容中学习这些参数。 - 使用
.fit()方法将xg_cl拟合到训练集（X_train, y_train）。 - 使用
.predict()方法预测测试集（X_test）的标签，然后点击 "提交答案" 以打印准确率。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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))