Machine learning

XGBoost

XGBoost (Extreme Gradient Boosting) är en skalbar träd-baserad boosting-algoritm som introducerades av Tianqi Chen och Carlos Guestrin år 2016. Den bygger en stark prediktor genom att lägga till beslutsträd ett i taget, där varje träd korrigerar felen som lämnats av de föregående träden, och är en kraftfull prediktionsmetod som används flitigt i tävlingar.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Method map

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

XGBoost

Beslutsträd Gradient Boosting Logistisk regression Random Forest Support Vector Machine (…Aktiv inlärning med grad…Aktiv inlärning med Ligh…AdaBoost Uppmärksamhetsmekanism Bagging (Bootstrap Aggre…

+62 more

Källor

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

Så citerar du den här sidan

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

BeslutsträdMaskininlärning↔ compare
Gradient BoostingMaskininlärning↔ compare
Logistisk regressionForskningsstatistik↔ compare
Random ForestMaskininlärning↔ compare
Support Vector Machine (Klassificering)Maskininlärning↔ compare

Compare side by side →

Refereras av

Aktiv inlärning med gradient boosting Aktiv inlärning med LightGBM AdaBoost Uppmärksamhetsmekanism Bagging (Bootstrap Aggregating)Bayesian Boosting Bayesian LightGBM Bayesianskt XGBoost BERT-finjustering Dubbelriktad RNN Boosting CatBoost CNN bildklassificering Konvolutionellt neuralt nätverk (klassificering)Kreditbedömning (Scorecards, WoE/IV)Beslutsträd Djup förstärkningsinlärning Dilaterad CNN Ensemble Gradient Boosting Förklaringsbar beslutsträd Förklarbara Extra Trees Förklarbar gradient-boosting Förklarbar LightGBM Förklarbar Random Forest Förklarbar staplingsensemble Förklarbar XGBoost Extra Trees Finjustering av GPT Gradient Boosting Grafuppmärksamhetsnätverk Grafneuralnätverk Gated Recurrent Unit (GRU)Kunskapsdestillering LightGBM Longformer / BigBird LoRA och PEFT LSTM Blandning av experter Multi-layer Perceptron (MLP)Multilayer Perceptron (MLP)Neural Architecture Search Neural ODE Online Gradient Boosting Random Forest Reglerad boosting Regulariserad CatBoost Regulariserad gradientboosting Regulariserad LightGBM Robust Boosting Robust Gradient Boosting Robust LightGBM Robust Random Forest Robust Stacking Ensemble Robust XGBoost Multi-Head Self-Attention Självövervakad boosting Självövervakad gradientförstärkning Självövervakad LightGBM Självövervakad slumpmässig skog Självövervakad staplingsensemble Semi-övervakad Boosting Semi-supervised Gradient Boosting Semi-supervised XGBoost Sekvens-till-sekvens-modellen (Seq2Seq)SHAP (SHapley Additive exPlanations)Stacking Stokastisk gradientnedstigning (SGD)TextCNN - Textklassificering med convolutional neural networks Transformer (NLP)Visuell kontrastiv inlärning

Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →

Läs hela metoden

Method map

Källor

Så citerar du den här sidan

Närliggande metoder

Which method?

Refereras av