Machine learning

XGBoost

XGBoost (Extreme Gradient Boosting) adalah algoritma *tree-boosting* yang dapat diskalakan, diperkenalkan oleh Tianqi Chen dan Carlos Guestrin pada tahun 2016. Algoritma ini membangun prediktor yang kuat dengan menambahkan pohon keputusan satu per satu, di mana setiap pohon memperbaiki kesalahan yang ditinggalkan oleh pohon sebelumnya, dan merupakan metode prediksi yang ampuh yang banyak digunakan dalam kompetisi.

Buka di MethodMindSegeraVideoSegeraDownload slides

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Method map

The neighbourhood of related methods — select a node to explore.

XGBoost

Pohon Keputusan Peningkatan Gradien Regresi Logistik Random Forest Support Vector Machine (…Gradient Boosting Pembel…Pembelajaran Aktif Light…AdaBoost Mekanisme Perhatian Bagging (Bootstrap Aggre…

+62 more

Sumber

Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794. DOI: 10.1145/2939672.2939785 ↗

Cara menyitasi halaman ini

ScholarGate. (2026, June 1). XGBoost (Extreme Gradient Boosting). ScholarGate. https://scholargate.app/id/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.

Pohon KeputusanPembelajaran Mesin↔ compare
Peningkatan GradienPembelajaran Mesin↔ compare
Regresi LogistikStatistika Penelitian↔ compare
Random ForestPembelajaran Mesin↔ compare
Support Vector Machine (Klasifikasi)Pembelajaran Mesin↔ compare

Compare side by side →

Dirujuk oleh

Gradient Boosting Pembelajaran Aktif Pembelajaran Aktif LightGBM AdaBoost Mekanisme Perhatian Bagging (Bootstrap Aggregating)Peningkatkan Bayesian Bayesian LightGBM XGBoost Bayesian Fine-Tuning BERT RNN Bidireksional Boosting CatBoost Klasifikasi Citra CNN Jaringan Saraf Tiruan Konvolusional (Klasifikasi)Skoring Kredit (Scorecard, WoE/IV)Pohon Keputusan Pembelajaran Penguatan Dalam CNN Dilasi Peningkatkan Gradien Ensemble Pohon Keputusan yang Dapat Dijelaskan Extra Trees yang Dapat Dijelaskan Peningkatkan Gradien yang Dapat Dijelaskan LightGBM yang Dapat Dijelaskan Random Forest yang Dapat Dijelaskan Ensemble Tumpukan yang Dapat Dijelaskan XGBoost yang Dapat Dijelaskan Pohon Ekstra Fine-Tuning GPT Peningkatan Gradien Jaringan Perhatian Graf Jaringan Saraf Tiruan Graf Unit Berulang Gerbang (GRU)Distilasi Pengetahuan LightGBM Longformer / BigBird LoRA dan PEFT LSTM Campuran Pakar Perseptron Berlapis (MLP)Multilayer Perceptron (MLP)Pencarian Arsitektur Neural ODE Neural Peningkat Gradien Daring Random Forest Boosting Teregularisasi Regularized CatBoost Peningkatkan Gradien Teregulasi LightGBM Regularisasi Robust Boosting Gradient Boosting Robust Robust LightGBM Hutan Acak Robust Robust Stacking Ensemble XGBoost Robust Multi-Head Self-Attention Self-supervised Boosting Gradient Boosting Mandiri LightGBM Mandiri Random Forest Mandiri-Terawasi Ensemble Stacking Diawasi Mandiri Boosting Semi-terawasi Peningkatan Gradien Semi-Terawasi XGBoost Semi-Terawasi Model Sequence-ke-Sequence SHAP (SHapley Additive exPlanations)Stacking Stochastic Gradient Descent (SGD)TextCNN Transformer (NLP)Pembelajaran Kontrastif Visual

Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →

Baca metode selengkapnya

Method map

Sumber

Cara menyitasi halaman ini

Metode terkait

Which method?

Dirujuk oleh