XGBoost (Extreme Gradient Boosting)
Ayrıca şöyle bilinir: XGBoost, extreme gradient boosting, scalable tree boosting
Birçok bağımsız ağacı büyütüp ortalamasını almak yerine, XGBoost ağaçları sırayla büyütür: her yeni ağaç, mevcut modelin hala yanlış tahmin ettiği örneklere odaklanır. Adım adım, topluluk kalan hatayı azaltır; düzenlileştirme (regularisation) cezası ise bireysel ağaçları basit tutarak toplu modelin eğitim verilerini ezberlemek yerine genelleme yapmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+60 tane daha
Ne zaman kullanılır
Tablo verilerinde güçlü tahmin doğruluğu, bu yüzden yarışmalarda bu kadar yaygındır.
Güçlü yönler & sınırlılıklar
- Dahili düzenlileştirme ağaç karmaşıklığını cezalandırır ve aşırı uyumu kontrol etmeye yardımcı olur.
- Eksik değerleri tolere eder ve karışık özellik türlerini (sürekli, kategorik, ikili, sayım) işler.
- İyi ölçeklenir ve özellik mühendisliğinden doğrudan fayda sağlar.
- Yeterli veri gerektirir - kabaca 100+ gözlem - aksi takdirde aşırı uyum gösterir ve çapraz doğrulama sonuçları güvenilmez hale gelir.
- Küçük örneklemlerde, birçok hiperparametreyi ayarlamak için yeterli veri yoktur, bu nedenle daha basit bir model daha iyi genelleme yapar.
- Birçok hiperparametre ve kara kutu topluluğu, tek bir modele göre kurulumunu ve yorumlanmasını daha zor hale getirir.
- Gradyan güçlendirmenin aşırı uyum gösterdiği ve CV tahminlerinin güvenilir olmadığı küçük örneklemlere (n < 100) uygulamak.
SSS
Yaklaşık 100 gözlem makul bir minimumdur. 100'den az vaka ile gradyan güçlendirme aşırı uyuma eğilimindedir ve çapraz doğrulama sonuçları güvenilmez hale gelir, bu nedenle lojistik regresyon veya tek bir karar ağacı gibi daha basit bir model daha güvenilirdir.
XGBoost normal dağılmış veri gerektirir mi?
Hayır. Normalite varsayımı yapmaz ve sürekli, kategorik, ikili ve sayım özellikleriyle çalışır. Ana pratik gereksinimler, yeterli veriye sahip olmak ve bazı düşünceli özellik mühendisliği yapmaktır.
XGBoost Rastgele Orman'dan (Random Forest) nasıl farklıdır?
Rastgele Orman ağaçları bağımsız olarak büyütür ve varyansı azaltmak için ortalamalarını alır. XGBoost ağaçları sıralı olarak büyütür, her biri öncekilerin hatalarını düzeltir ve dikkatli ayarlama ile daha yüksek doğruluk elde edebilen ağaç karmaşıklığına bir düzenlileştirme cezası ekler.
XGBoost modelini nasıl yorumlarım?
Model birçok ağacın bir topluluğu olduğundan, katkılar genellikle SHAP gibi özellik-atfetme analizi ile, RMSE veya AUC gibi test-kümesi metrikleri ve çapraz doğrulanmış hiperparametre ayarlaması ile birlikte incelenir.
MethodMind'da XGBoost'u kendi veri kümenizde doğrudan çalıştırın — özelliklerinizi ve hedefinizi yükleyin, bir eğitim/test bölümü veya çapraz doğrulama ayarlayın, güçlendirme turlarını ayarlayın ve test-kümesi performans metrikleriyle birlikte tahminler alın.
Kaynaklar
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794. DOI: 10.1145/2939672.2939785 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). XGBoost (Extreme Gradient Boosting). ScholarGate. https://scholargate.app/tr/machine-learning/xgboost
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Karar AğacıMakine öğrenmesi↔ karşılaştır
- Gradyan ArtırmaMakine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Destek Vektör Makinesi (Sınıflandırma)Makine öğrenmesi↔ karşılaştır