В каких задачах применял XGBoost

XGBoost применяется в задачах, где важны точность, скорость и интерпретируемость модели. Основные сферы:

1. Классификация (бинарная и многоклассовая): например, предсказание оттока клиентов или фрод в транзакциях.
2. Регрессия: прогнозирование цен, спроса или временных рядов.
3. Ранжирование: поисковые выдачи, рекомендательные системы.
4. Ансамблирование: часто используется как базовый алгоритм в стекинге/блендинге.

Пример кода для бинарной классификации:

import xgboost as xgb
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split

data = load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2)

model = xgb.XGBClassifier(objective='binary:logistic', n_estimators=100)
model.fit(X_train, y_train)
print(f"Accuracy: {model.score(X_test, y_test):.2f}")

Ключевые преимущества: обработка пропусков, встроенная регуляризация, важность признаков.