XGBoost
Το XGBoost (Extreme Gradient Boosting) είναι ένας επεκτάσιμος αλγόριθμος ενίσχυσης δέντρων που εισήχθη από τους Tianqi Chen και Carlos Guestrin το 2016. Δημιουργεί έναν ισχυρό προβλεπτικό παράγοντα προσθέτοντας δέντρα αποφάσεων ένα κάθε φορά, με το καθένα να διορθώνει τα σφάλματα που άφησαν τα προηγούμενα δέντρα, και αποτελεί μια ισχυρή μέθοδο πρόβλεψης που χρησιμοποιείται ευρέως σε διαγωνισμούς.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
+62 more
Πηγές
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794. DOI: 10.1145/2939672.2939785 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). XGBoost (Extreme Gradient Boosting). ScholarGate. https://scholargate.app/el/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.
- Δέντρο ΑποφάσεωνΜηχανική Μάθηση↔ compare
- Ενίσχυση Κλίσης (Gradient Boosting)Μηχανική Μάθηση↔ compare
- Λογιστική ΠαλινδρόμησηΕρευνητική Στατιστική↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- Μηχανή Υποστήριξης Διανυσμάτων (Ταξινόμηση)Μηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →