XGBoost
XGBoost (Extreme Gradient Boosting) je škálovateľný algoritmus posilňovania stromov (tree-boosting), ktorý v roku 2016 predstavili Tianqi Chen a Carlos Guestrin. Buduje silný prediktor pridávaním rozhodovacích stromov jeden po druhom, pričom každý strom opravuje chyby predchádzajúcich stromov, a je to výkonná prediktívna metóda široko používaná v súťažiach.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
+62 more
Zdroje
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794. DOI: 10.1145/2939672.2939785 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 1). XGBoost (Extreme Gradient Boosting). ScholarGate. https://scholargate.app/sk/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.
- Rozhodovací stromStrojové učenie↔ compare
- Gradient BoostingStrojové učenie↔ compare
- Logistická regresiaŠtatistika vo výskume↔ compare
- Náhodný lesStrojové učenie↔ compare
- Support Vector Machine (Klasifikácia)Strojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →