XGBoost

XGBoost (eXtreme Gradient Boosting) ialah algoritma pembelajaran mesin ensemble yang dibangunkan pada 2016 oleh Tianqi Chen, Kailong Chen dan Carlos Guestrin. Ia berdasarkan peningkatan kecerunan, teknik pembelajaran ensemble untuk meningkatkan ketepatan model ramalan.

XGBoost digunakan terutamanya dalam aplikasi pembelajaran mesin yang diselia, seperti klasifikasi dan regresi. Algoritma berfungsi dengan mengambil set data dan menggabungkan pelajar yang lemah untuk membentuk model ramalan yang kuat. Ia menghantar setiap pelajar yang lemah melalui satu siri lelaran, belajar secara berterusan daripada kesilapan dan meningkatkan ketepatannya.

XGBoost telah menjadi semakin popular kerana prestasi unggul dan kebolehskalaannya berbanding dengan algoritma pembelajaran mesin yang lain. Ia mempunyai pelaksanaan yang pantas, dan terkenal dengan keselarian serta keupayaan untuk mengendalikan set data yang besar. Ia juga terkenal dengan ciri hebatnya membenarkan berhenti awal, yang boleh digunakan untuk memilih bilangan lelaran terbaik secara automatik.

XGBoost digunakan secara meluas dalam industri, di mana sahaja model ramalan yang tepat diperlukan. Ia telah terbukti berfungsi dengan baik pada pelbagai tugas termasuk pengecaman digit tulisan tangan, pemprosesan bahasa semula jadi, penemuan dadah dan penglihatan komputer. Ia juga biasa digunakan dalam bidang seperti kewangan, ekonomi, dan penjagaan kesihatan.

XGBoost telah menjadi pilihan popular di kalangan saintis data kerana ketepatan, kelajuan dan fleksibilitinya. Ia semakin mendapat perhatian sebagai salah satu model ramalan teratas untuk aplikasi pembelajaran mesin.