Machine learning

XGBoost

XGBoost (Extreme Gradient Boosting) ialah algoritma penggalakan pokok (tree-boosting) berskala yang diperkenalkan oleh Tianqi Chen dan Carlos Guestrin pada tahun 2016. Ia membina prediktor yang kuat dengan menambah pokok keputusan satu demi satu, setiap satunya membetulkan kesilapan yang ditinggalkan oleh pokok sebelumnya, dan merupakan kaedah ramalan berkuasa yang digunakan secara meluas dalam pertandingan.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

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

XGBoost

Pohon Keputusan Peningkatan Cerun Regresi Logistik Random Forest Mesin Vektor Sokongan (K…Peningkatan Kecerunan Pe…Active Learning LightGBM 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 memetik halaman ini

ScholarGate. (2026, June 1). XGBoost (Extreme Gradient Boosting). ScholarGate. https://scholargate.app/ms/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 CerunPembelajaran Mesin↔ compare
Regresi LogistikStatistik Penyelidikan↔ compare
Random ForestPembelajaran Mesin↔ compare
Mesin Vektor Sokongan (Klasifikasi)Pembelajaran Mesin↔ compare

Compare side by side →

Dirujuk oleh

Peningkatan Kecerunan Pembelajaran Aktif Active Learning LightGBM AdaBoost Mekanisme Perhatian Bagging (Bootstrap Aggregating)Peneguhan Bayesian Bayesian LightGBM Bayesian XGBoost Fine-Tuning BERT RNN Dwi-arah Boosting CatBoost Klasifikasi Imej CNN Rangkaian Neural Bergelung (Pengelasan)Pemarkahan Kredit (Kad Skor, WoE/IV)Pohon Keputusan Pembelajaran Penguatan Dalam (Deep Reinforcement Learning)CNN Dilasi Gradient Boosting Ensemble Pohon Keputusan Boleh Dijelas Pokok Tambahan Boleh Dijelaskan Peningkatan Cerun Boleh Dijelaskan Explainable LightGBM Random Forest Boleh Dijelas (Explainable Random Forest)Tingkat Tumpukan yang Boleh Dijelaskan XGBoost Boleh Dijelaskan Pokok Tambahan Penalaan Halus GPT Peningkatan Cerun Graph Attention Network Rangkaian Saraf Graf Gated Recurrent Unit (GRU)Penyulingan Pengetahuan LightGBM Longformer / BigBird LoRA dan PEFT LSTM Campuran Pakar Multi-layer Perceptron (MLP)Multilayer Perceptron (MLP)Pencarian Seni Bina Neural Neural ODE Peningkatkan Cerun Dalam Talian Random Forest Peningkatan Terperaturan CatBoost Terekular Peningkatkan Cerun Terperaturan LightGBM Terperaturan Robust Boosting Peningkatan Kecerunan Teguh LightGBM Robust Robust Random Forest Robust Stacking Ensemble XGBoost Teguh Perhatian Kendiri Pelbagai Kepala Penormalan Diri Kendiri-Selia Gradient Boosting Kendiri-terawasi LightGBM Kendiri-Selia Hutan Rawak Kendiri-Penyeliaan Self-supervised Stacking Ensemble Semi-supervised Boosting Gradient Boosting Separuh Selia XGBoost Separa-Penyeliaan Model Jujukan-ke-Jujukan SHAP (SHapley Additive exPlanations)Stacking Stochastic Gradient Descent (SGD)TextCNN Transformer (NLP)Pembelajaran Kontrastif Visual

Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →

Baca kaedah sepenuhnya

Method map

Sumber

Cara memetik halaman ini

Kaedah berkaitan

Which method?

Dirujuk oleh