{
 "cells": [
  {
   "cell_type": "code",
   "execution_count": 1,
   "id": "a914d431-18c5-4055-a09e-1262dfb48ff9",
   "metadata": {
    "execution": {
     "iopub.execute_input": "2025-09-24T04:08:33.164002Z",
     "iopub.status.busy": "2025-09-24T04:08:33.163761Z",
     "iopub.status.idle": "2025-09-24T04:08:35.375599Z",
     "shell.execute_reply": "2025-09-24T04:08:35.374666Z",
     "shell.execute_reply.started": "2025-09-24T04:08:33.163978Z"
    }
   },
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "모델 학습이 완료되었습니다.\n",
      "X (피처 데이터):\n",
      "   age  income   city\n",
      "0   25   50000  Seoul\n",
      "1   34   75000  Busan\n",
      "2   45  120000  Seoul\n",
      "3   23   45000   Jeju\n",
      "4   56   90000  Busan\n",
      "\n",
      "y (타겟 데이터):\n",
      "[0 1 1 0 1]\n"
     ]
    }
   ],
   "source": [
    "import pandas as pd\n",
    "import numpy as np\n",
    "import xgboost as xgb\n",
    "\n",
    "# 모델 정의 (제공된 모델 파라미터 사용)\n",
    "model = xgb.XGBClassifier(\n",
    "    device='cuda',\n",
    "    tree_method='hist',\n",
    "    enable_categorical=True,\n",
    "    eval_metric='aucpr',\n",
    "    objective='binary:logistic',\n",
    "    max_depth=3,\n",
    "    n_estimators=5\n",
    ")\n",
    "\n",
    "# 1. 샘플 데이터 X 생성\n",
    "# 숫자형(수치형) 피처 'age'와 'income'\n",
    "# 범주형 피처 'city'를 포함합니다.\n",
    "# enable_categorical=True 설정에 맞춰 'city' 열을 'category' dtype으로 지정합니다.\n",
    "data = {\n",
    "    'age': [25, 34, 45, 23, 56],\n",
    "    'income': [50000, 75000, 120000, 45000, 90000],\n",
    "    'city': ['Seoul', 'Busan', 'Seoul', 'Jeju', 'Busan']\n",
    "}\n",
    "X = pd.DataFrame(data)\n",
    "X['city'] = X['city'].astype('category')\n",
    "\n",
    "# 2. 샘플 타겟 데이터 y 생성\n",
    "# 이진 분류를 위한 레이블 (0 또는 1)\n",
    "y = np.array([0, 1, 1, 0, 1])\n",
    "\n",
    "# 3. 모델 학습\n",
    "# model.fit(X, y)를 사용하여 모델에 데이터 주입\n",
    "model.fit(X, y)\n",
    "\n",
    "print(\"모델 학습이 완료되었습니다.\")\n",
    "print(\"X (피처 데이터):\")\n",
    "print(X)\n",
    "print(\"\\ny (타겟 데이터):\")\n",
    "print(y)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "id": "08df20fd-1f32-42e6-839b-1301df4d9bfe",
   "metadata": {
    "execution": {
     "iopub.execute_input": "2025-09-24T04:08:37.983399Z",
     "iopub.status.busy": "2025-09-24T04:08:37.982660Z",
     "iopub.status.idle": "2025-09-24T04:08:38.002455Z",
     "shell.execute_reply": "2025-09-24T04:08:38.000715Z",
     "shell.execute_reply.started": "2025-09-24T04:08:37.983337Z"
    }
   },
   "outputs": [],
   "source": [
    "model.save_model('xgboost.json')"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "d57d4529-1e88-4214-9efe-4633bd388f1a",
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "torch2.8.0-py3.12-cuda12.8",
   "language": "python",
   "name": "torch2.8.0-py3.12-cuda12.8"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.12.3"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}