XGBoost(eXtreme Gradient Boosting)是实现梯度提升算法的开源机器学习库,该算法通过依次添加决策树来减少预测误差。它由华盛顿大学的陈天奇开发并于2014年发布,加入了正则化、并行处理和缺失值处理以提高速度和准确率,可在Python、R、Java、C++等语言中使用。
XGBoost因在Kaggle等数据科学竞赛的获胜方案中被频繁使用而广为人知,已成为表格数据分类、回归和排序任务的标准工具,与LightGBM、CatBoost并称为主要的梯度提升库。
实现基于决策树的梯度提升算法的开源库,广泛用于表格数据预测。
XGBoost(eXtreme Gradient Boosting)是实现梯度提升算法的开源机器学习库,该算法通过依次添加决策树来减少预测误差。它由华盛顿大学的陈天奇开发并于2014年发布,加入了正则化、并行处理和缺失值处理以提高速度和准确率,可在Python、R、Java、C++等语言中使用。
XGBoost因在Kaggle等数据科学竞赛的获胜方案中被频繁使用而广为人知,已成为表格数据分类、回归和排序任务的标准工具,与LightGBM、CatBoost并称为主要的梯度提升库。
本条目依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们。
对比对象是传统的表格机器学习技术栈:数据科学团队要用XGBoost或LightGBM为每个预测任务单独搭建一条流水线,包括手工特征工程、ETL作业,以及在分类和回归模型之间做基准测试。
阅读文章百科说明依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们,我们会核实并修改。新文章中出现的名称会在文章发布后加入百科。