XGBoost
XGBoost (এক্সট্রিম গ্রেডিয়েন্ট বুস্টিং) হলো একটি পরিমাপযোগ্য ট্রি-বুস্টিং অ্যালগরিদম যা ২০১৬ সালে তিয়ানকি চেন (Tianqi Chen) এবং কার্লোস গেস্টরিন (Carlos Guestrin) কর্তৃক প্রবর্তিত হয়। এটি ক্রমান্বয়ে ডিসিশন ট্রি যুক্ত করে একটি শক্তিশালী ভবিষ্যদ্বাণীকারী মডেল তৈরি করে, যেখানে প্রতিটি নতুন ট্রি পূর্ববর্তী ট্রিগুলির দ্বারা সৃষ্ট ত্রুটিগুলি সংশোধন করে। এটি একটি শক্তিশালী ভবিষ্যদ্বাণী পদ্ধতি যা প্রতিযোগিতায় বহুলভাবে ব্যবহৃত হয়।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
Method map
The neighbourhood of related methods — select a node to explore.
+62 more
উৎস
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794. DOI: 10.1145/2939672.2939785 ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 1). XGBoost (Extreme Gradient Boosting). ScholarGate. https://scholargate.app/bn/machine-learning/xgboost
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- সিদ্ধান্ত বৃক্ষযন্ত্র শিখন↔ compare
- গ্রেডিয়েন্ট বুস্টিংযন্ত্র শিখন↔ compare
- লজিস্টিক রিগ্রেশনগবেষণা পরিসংখ্যান↔ compare
- Random Forestযন্ত্র শিখন↔ compare
- সাপোর্ট ভেক্টর মেশিন (শ্রেণীকরণ)যন্ত্র শিখন↔ compare
যেখানে উদ্ধৃত
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →