XGBoost
XGBoost (Extreme Gradient Boosting) — це масштабований алгоритм древовидного бустингу, представлений Тіанкі Ченом та Карлосом Гестріном у 2016 році. Він будує потужний предиктор, послідовно додаючи дерева рішень, кожне з яких виправляє помилки, залишені попередніми деревами, і є потужним методом прогнозування, широко використовуваним у змаганнях.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+62 more
Джерела
- Chen, T. & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD, 785–794. DOI: 10.1145/2939672.2939785 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). XGBoost (Extreme Gradient Boosting). ScholarGate. https://scholargate.app/uk/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.
- Дерево рішеньМашинне навчання↔ compare
- Градiєнтний бустингМашинне навчання↔ compare
- Логістична регресіяСтатистика досліджень↔ compare
- Випадковий лісМашинне навчання↔ compare
- Метод опорних векторів (класифікація)Машинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →