作者归档 | Jason Brownlee

梯度提升涉及按顺序创建和添加决策树，每棵树都试图纠正其先前学习者的错误。这引发了关于如何在梯度提升模型中配置多少棵树（弱学习器或估计器）以及每棵树的大小应该多大的问题。在本文中，您将 [...]

用于梯度提升的 XGBoost 库设计用于高效的多核并行处理。这使得它在训练时能够有效地利用系统中的所有 CPU 核心。在本文中，您将发现 XGBoost 在 Python 中的并行处理功能。阅读本文后，您将了解：如何确认 [...]

过拟合是像梯度提升这样的复杂非线性学习算法的一个问题。在本文中，您将了解如何使用早期停止来限制 XGBoost 在 Python 中的过拟合。阅读本文后，您将了解：关于早期停止作为减少训练数据过拟合的一种方法。如何监控性能 [...]

使用像梯度提升这样的决策树集成方法的好处之一是，它们可以自动提供来自已训练预测模型的特征重要性估计。在本文中，您将了解如何使用 XGBoost 库在 Python 中估计预测建模问题的特征重要性。阅读本文后 [...]

绘制单个决策树可以深入了解给定数据集的梯度提升过程。在本教程中，您将了解如何使用 XGBoost 在 Python 中绘制已训练梯度提升模型的单个决策树。让我们开始吧。更新于 2018 年 3 月：添加了下载数据集的备用链接，因为原始链接似乎 [...]

开发预测模型的目标是开发一个在未见过的数据上准确的模型。这可以通过统计技术来实现，其中仔细使用训练数据集来估计模型在新数据和未见过的数据上的性能。在本教程中，您将了解如何评估性能 [...]

XGBoost 可用于使用梯度提升算法创建一些性能最佳的表格数据模型。训练完成后，将模型保存到文件中以便稍后用于对新的测试和验证数据集以及全新的数据进行预测，这通常是一种好习惯。在本文中，您将了解 [...]

XGBoost 是梯度提升的一个流行实现，因为它具有速度和性能。在内部，XGBoost 模型将所有问题表示为仅接受数值输入的回归预测建模问题。如果您的数据形式不同，则必须将其准备成期望的格式。在本文中，您将了解 [...]

XGBoost 是梯度提升决策树的一个实现，它在速度和性能方面表现出色，在竞争性机器学习中占主导地位。在本文中，您将了解如何在 Python 中安装并创建您的第一个 XGBoost 模型。阅读本文后，您将了解：如何在您的系统上安装 XGBoost 以在 Python 中使用。 [...]

XGBoost 是一种算法，最近在结构化或表格数据的应用机器学习和 Kaggle 竞赛中占据主导地位。XGBoost 是梯度提升决策树的一个实现，旨在提供速度和性能。在本文中，您将了解 XGBoost，并对其是什么、它来自哪里以及如何 [...]