Machine learning
XGBoost
XGBoost（Extreme Gradient Boosting）は、Tianqi ChenとCarlos Guestrinによって2016年に発表されたスケーラブルなツリーブースティングアルゴリズムです。これは、決定木を一つずつ追加していくことで強力な予測器を構築します。各決定木は、それ以前の決定木が残した誤差を修正するように構築され、コンペティションで広く使用されている強力な予測手法です。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
+62 more
出典
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794. DOI: 10.1145/2939672.2939785 ↗
このページの引用方法
ScholarGate. (2026, June 1). XGBoost (Extreme Gradient Boosting). ScholarGate. https://scholargate.app/ja/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.
- 決定木機械学習↔ compare
- 勾配ブースティング機械学習↔ compare
- ロジスティック回帰研究統計↔ compare
- ランダムフォレスト機械学習↔ compare
- サポートベクターマシン（分類）機械学習↔ compare
この手法を参照する項目
アクティブラーニング勾配ブースティングアクティブラーニングLightGBMAdaBoostアテンションメカニズムバギング（ブートストラップ集約）ベイズブースティングベイジアンLightGBMベイズ的XGBoostBERTファインチューニングBidirectional RNNブースティングCatBoostCNN画像分類畳み込みニューラルネットワーク（分類）信用スコアリング（スコアカード、WoE/IV）決定木深層強化学習Dilated CNN勾配ブースティングアンサンブル説明可能な決定木説明可能なExtra Trees説明可能な勾配ブースティング説明可能なLightGBM説明可能なランダムフォレスト説明可能なスタッキングアンサンブル説明可能なXGBoostExtra TreesGPTファインチューニング勾配ブースティンググラフ注意機構ネットワークグラフニューラルネットワークゲート付き再帰ユニット (GRU)知識蒸留LightGBMLongformer / BigBirdLoRAとPEFTLSTM混合専門家モデル多層パーセプトロン (MLP)多層パーセプトロン (MLP)ニューラルアーキテクチャ探索ニューラルODEオンライン勾配ブースティングランダムフォレスト正則化ブースティング正則化されたCatBoost正則化勾配ブースティング正則化LightGBMロバストブースティングロバスト勾配ブースティングロバストLightGBMロバスト・ランダム・フォレストロバストスタッキングアンサンブルロバストXGBoostMulti-Head Self-Attention自己教師ありブースティング自己教師あり勾配ブースティングセルフスーパーバイズドLightGBM自己教師ありランダムフォレスト自己教師ありスタッキングアンサンブル半教師ありブースティング半教師あり勾配ブースティングSemi-supervised XGBoostシーケンス・ツー・シーケンスモデルSHAP（SHapley Additive exPlanations）スタッキング確率的勾配降下法 (SGD)TextCNNTransformer (NLP)視覚的対照学習