Machine learning
XGBoost
XGBoost (Extreme Gradient Boosting) เป็นขั้นตอนวิธีบูสติงแบบต้นไม้ที่ปรับขนาดได้ ซึ่ง Tianqi Chen และ Carlos Guestrin ได้นำเสนอในปี 2016 โดยสร้างตัวทำนายที่แข็งแกร่งด้วยการเพิ่มต้นไม้ตัดสินใจทีละต้น ซึ่งแต่ละต้นจะแก้ไขข้อผิดพลาดที่เหลือจากต้นไม้ก่อนหน้า และเป็นวิธีการทำนายที่มีประสิทธิภาพซึ่งใช้กันอย่างแพร่หลายในการแข่งขัน
อ่านวิธีฉบับเต็ม
สำหรับสมาชิกเท่านั้น
เข้าสู่ระบบเข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+62 more
แหล่งอ้างอิง
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794. DOI: 10.1145/2939672.2939785 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). XGBoost (Extreme Gradient Boosting). ScholarGate. https://scholargate.app/th/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.
- ต้นไม้ตัดสินใจการเรียนรู้ของเครื่อง↔ compare
- การเสริมกำลังไล่ระดับการเรียนรู้ของเครื่อง↔ compare
- การถดถอยโลจิสติกสถิติการวิจัย↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- Support Vector Machineการเรียนรู้ของเครื่อง↔ compare
ถูกอ้างอิงโดย
การเรียนรู้เชิงรุกแบบ Gradient BoostingActive Learning LightGBMAdaBoostกลไกการใส่ใจ (Attention Mechanism)Bagging (Bootstrap Aggregating)Bayesian BoostingBayesian LightGBMBayesian XGBoostการปรับจูน BERTโครงข่ายประสาทเทียมแบบวนซ้ำสองทิศทางBoostingCatBoostการจำแนกภาพด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN Image Classification)โครงข่ายประสาทเทียมแบบสังวัตนาการ (การจำแนกประเภท)การให้คะแนนเครดิต (Scorecards, WoE/IV)ต้นไม้ตัดสินใจการเรียนรู้แบบเสริมกำลังเชิงลึกเครือข่ายคอนโวลูชันแบบขยาย (Dilated CNN)Gradient Boostingผังการตัดสินใจที่อธิบายได้Explainable Extra TreesExplainable Gradient BoostingLightGBM ที่อธิบายได้ฟอเรสต์สุ่มที่อธิบายได้การรวมกลุ่มแบบซ้อนแบบอธิบายได้XGBoost ที่อธิบายได้Extra Treesการปรับละเอียด GPT (GPT Fine-Tuning)การเสริมกำลังไล่ระดับGraph Attention Networkโครงข่ายประสาทเทียมกราฟGated Recurrent Unit (GRU)การกลั่นความรู้ไลท์จีบีเอ็มLongformer / BigBirdLoRA และ PEFTแอลเอสทีเอ็มMixture of ExpertsMulti-layer Perceptron (MLP)เพอร์เซปตรอนหลายชั้น (MLP)การค้นหาสถาปัตยกรรมโครงข่ายประสาทเทียมโครงข่ายประสาทเทียมเชิงอนุพันธ์สามัญ (Neural ODE)Online Gradient BoostingRandom ForestRegularized BoostingRegularized CatBoostการเพิ่มกำลังไล่ระดับแบบปรับให้เหมาะสมLightGBM แบบ RegularizedRobust Boostingการเพิ่มกำลังการไล่ระดับสีที่ทนทาน (Robust Gradient Boosting)Robust LightGBMRandom Forest ที่ทนทานRobust Stacking EnsembleXGBoost ที่ทนทาน (Robust XGBoost)ความสนใจหลายหัวของตนเอง (Multi-Head Self-Attention)Self-supervised Boostingการเสริมกำลังไล่ระดับแบบกำกับตนเองLightGBM แบบเรียนรู้ด้วยตนเองSelf-supervised Random Forestการรวมกลุ่มแบบพึ่งตนเอง (Self-supervised Stacking Ensemble)การบูสต์แบบกึ่งมีผู้สอน (Semi-supervised Boosting)การเพิ่มประสิทธิภาพแบบกึ่งมีผู้สอนโดยใช้ Gradient BoostingXGBoost กึ่งควบคุม (Semi-supervised XGBoost)แบบจำลองลำดับต่อลำดับSHAP (SHapley Additive exPlanations)การซ้อนทับStochastic Gradient Descent (SGD)TextCNNทรานส์ฟอร์มเมอร์ (การประมวลผลภาษาธรรมชาติ)การเรียนรู้เชิงเปรียบเทียบสำหรับภาพ (Visual Contrastive Learning)