XGBoost
XGBoost (Extreme Gradient Boosting) é um algoritmo escalável de aumento de árvores introduzido por Tianqi Chen e Carlos Guestrin em 2016. Ele constrói um preditor forte adicionando árvores de decisão uma a uma, cada uma corrigindo os erros deixados pelas árvores anteriores, e é um método de predição poderoso amplamente utilizado em competições.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
+62 more
Fontes
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794. DOI: 10.1145/2939672.2939785 ↗
Como citar esta página
ScholarGate. (2026, June 1). XGBoost (Extreme Gradient Boosting). ScholarGate. https://scholargate.app/pt/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.
- Árvore de DecisãoAprendizado de máquina↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- Regressão LogísticaEstatística para pesquisa↔ compare
- Random ForestAprendizado de máquina↔ compare
- Máquina de Vetores de Suporte (Classificação)Aprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →