Machine learning

XGBoost

XGBoost (Extreme Gradient Boosting) ir mērogojams koku pastiprināšanas algoritms, ko 2016. gadā ieviesa Tjaņqi Čens un Karloss Guestrins. Tas veido spēcīgu prognozētāju, pievienojot lēmumu kokus vienu pēc otra, katram labojot iepriekšējo koku radītās kļūdas, un ir spēcīga prognozēšanas metode, ko plaši izmanto sacensībās.

Atvērt MethodMindDrīzumāVideoDrīzumāDownload slides

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Pieteikties

Method map

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

XGBoost

Koku lēmumu pieņemšana (…Gradient Boosting Logistiskā regresija Random Forest Atbalsta vektoru mašīna…Aktīvās mācīšanās gradie…Aktīvā mācīšanās LightGBM AdaBoost Attention mechanism Bagging (Bootstrap Aggre…

+62 more

Avoti

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

Kā citēt šo lapu

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

Koku lēmumu pieņemšana (Decision Tree)Mašīnmācīšanās↔ compare
Gradient BoostingMašīnmācīšanās↔ compare
Logistiskā regresijaPētniecības statistika↔ compare
Random ForestMašīnmācīšanās↔ compare
Atbalsta vektoru mašīna (klasifikācija)Mašīnmācīšanās↔ compare

Compare side by side →

Uz to atsaucas

Aktīvās mācīšanās gradientu pastiprināšana Aktīvā mācīšanās LightGBM AdaBoost Attention mechanism Bagging (Bootstrap Aggregating)Baijesa "boosting" (Bayesian Boosting)Bayesian LightGBM Bayesian XGBoost BERT Fine-Tuning Dкновеirziena atkārtojošais neironu tīkls Pastiprināšana CatBoost CNN attēlu klasifikācija Konvolūciju neironu tīkls (klasifikācija)Kredīta novērtēšana (rezultātu kartes, WoE/IV)Koku lēmumu pieņemšana (Decision Tree)Dziļā pastiprinātā mācīšanās Paplašināta konvolūcija neironu tīklā (Dilated CNN)Ensemble Gradient Boosting Skaidrojams lēmumu koks Izskaidrojamie papildu koki Paskaidrojamā gradientu pastiprināšana Skaidrojamais LightGBM Skaidrojams nejaušs mežs Skaidrojama sakraušanas ansamblis Skaidrojamais XGBoost Extra Trees GPT smalkoregulēšana Gradient Boosting Grafu uzmanības tīkls (Graph Attention Network, GAT)Grafu neironu tīkls Iegādīts rekurents vienums (GRU)Zināšanu destilācija LightGBM Longformer / BigBird LoRA un PEFT ILSM Ekspertu maisījums Daudzslāņu perceptrons (MLP)Daudzslāņu perceptrons (MLP)Neirālā arhitektūras meklēšana Neirālā ODE Tiešsaistes gradientu pastiprināšana Random Forest Regularizēta pastiprināšana Regularizēts CatBoost Regularizēta gradientu pastiprināšana Regularized LightGBM Robustā pastiprināšana Robustais gradientu pastiprinājums Robustais LightGBM Robust Random Forest Robust stacking ensemble Robust XGBoost Daudzgalvu paše-uzmanība Pašuzraudzīta palielināšana (Self-supervised Boosting)Pašuzraudzīta gradienta pastiprināšana Pašuzraudzītā LightGBM Pašuzraudzības kārtībā apmācīts Random Forest Pašuzraudzītā sakraušanas ansamblis Daļēji uzraudzīta pastiprināšana Puspašvadāmā gradientu pastiprināšana Daļēji uzraudzīts XGBoost Sekvences-sekvences modelis SHAP (SHapley Additive exPlanations)Stacking Stohastiskā gradienta metode (SGD)TextCNN Transformer (NLP)Vizualā kontrastīvā apguve

Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →

Lasīt pilno metodes aprakstu

Method map

Avoti

Kā citēt šo lapu

Saistītās metodes

Which method?

Uz to atsaucas