梯度增强决策树的一个问题是它们学习速度快，并且容易过拟合训练数据。减缓梯度增强模型学习的一个有效方法是使用学习率，也称为收缩（或 XGBoost 文档中的 eta）。在这篇文章中，您将发现学习率的效果 [...]

XGBoost 库提供了一个为速度和性能设计的梯度增强实现。它被实现以最大程度地利用您的计算资源，包括所有 CPU 核心和内存。在这篇文章中，您将发现如何设置亚马逊云服务上的服务器，以快速、廉价地创建非常大的模型。之后 [...]

梯度增强是应用机器学习中最强大的技术之一，因此它正迅速成为最受欢迎的技术之一。但是如何为您的问题配置梯度增强呢？在这篇文章中，您将通过查看配置来发现如何在您的机器学习问题上配置梯度增强 [...]

梯度增强是构建预测模型的最强大技术之一。在这篇文章中，您将了解梯度增强机器学习算法，并对它的起源和工作原理有一个初步的介绍。阅读完这篇文章后，您将知道：助推从学习理论和 AdaBoost 起源。如何 [...]

梯度增强涉及顺序创建和添加决策树，每棵树都试图纠正之前学习者的错误。这就提出了一个问题：如何在梯度增强模型中配置多少棵树（弱学习者或估计器），以及每棵树应该有多大。在这篇文章中，您将 [...]

XGBoost 库用于梯度增强，其设计旨在实现高效的多核并行处理。这使得它在训练时能够充分利用系统中的所有 CPU 核心。在这篇文章中，您将发现 XGBoost 在 Python 中的并行处理功能。阅读完这篇文章后，您将了解：如何确认 [...]

过拟合是像梯度增强这样的复杂非线性学习算法面临的一个问题。在这篇文章中，您将了解如何使用提前停止来减少 XGBoost 在 Python 中过拟合。阅读完这篇文章后，您将了解：关于提前停止作为减少训练数据过拟合的方法。如何监控 [...]

使用像梯度增强这样的决策树集成方法的一个好处是，它们可以从训练好的预测模型中自动提供特征重要性估计。在这篇文章中，您将了解如何使用 XGBoost 库在 Python 中为预测建模问题估计特征的重要性。阅读完这 [...]

绘制单个决策树可以深入了解给定数据集的梯度增强过程。在本教程中，您将了解如何使用 XGBoost 在 Python 中绘制训练好的梯度增强模型的单个决策树。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 [...]