XGBoost
XGBoost (Extreme Gradient Boosting) یک الگوریتم تقویتکننده درختی مقیاسپذیر است که توسط تیانچی چن و کارلوس گستین در سال ۲۰۱۶ معرفی شد. این الگوریتم با افزودن درختهای تصمیم به صورت تکتک، که هر یک خطاهای باقیمانده از درختان قبلی را اصلاح میکنند، یک پیشبینیکننده قوی میسازد و یک روش پیشبینی قدرتمند است که به طور گسترده در مسابقات استفاده میشود.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+62 more
منابع
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794. DOI: 10.1145/2939672.2939785 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). XGBoost (Extreme Gradient Boosting). ScholarGate. https://scholargate.app/fa/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.
- درخت تصمیمیادگیری ماشین↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- رگرسیون لجستیکآمار پژوهش↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- ماشین بردار پشتیبان (طبقهبندی)یادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →