XGBoost Bewertungen & Produktdetails

Das Beste an XGBoost ist, dass es parallele Verarbeitung in der Entwicklung von maschinellen Lernmodellen bietet; mit Hilfe von 4 Kernen und paralleler Verarbeitung konnte ich ein maschinelles Lernmodell für 30 Millionen Abonnenten in 2 Stunden entwickeln. Bewertung gesammelt von und auf G2.com gehostet.

Was ich an XGBoost nicht mag, ist, dass es die Ausreißer im Datensatz während der Entwicklung des maschinellen Lernmodells nicht berücksichtigt. Bewertung gesammelt von und auf G2.com gehostet.

Es ist der am besten abschneidende eigenständige Algorithmus (ohne Berücksichtigung von Deep-Learning-Algorithmen, die ein ganz anderes Feld sind), der berühmt dafür ist, viele Online-Machine-Learning-Wettbewerbe zu gewinnen. Er läuft schnell und performt besser als Bagging-Algorithmen, weil er aus den Fehlern der vorherigen Baum-Modelle lernt, die in ihm erstellt wurden. Es ist auch möglich, XGBoost für verschiedene Metriken zu optimieren, sodass man mit Hilfe von GridSearchCV einen hohen Recall erreichen kann. Er ist sehr effizient im Vergleich zum berühmten Random-Forest-Algorithmus. Bewertung gesammelt von und auf G2.com gehostet.

Dass es nicht Teil eines größeren Pakets wie Anaconda ist, sondern wir es separat installieren müssen. Auch seine Großartigkeit kommt mit den Kosten des Overfittings, genau wie tiefe neuronale Netzwerke. Es lernt so gut, dass es nach der Hyperparameter-Optimierung mehr überanpasst als andere Algorithmen. Bewertung gesammelt von und auf G2.com gehostet.

Ich habe XGBoost-Modelle für viele ML-Wettbewerbsprobleme bisher verwendet. Jedes Mal konnte ich ein Modell mit hoher Genauigkeit und hoher Leistung durch die Verwendung von XGBoost erreichen. XGBoost ist in der ML-Community bekannt für seine bessere Leistung und effiziente Speicherverwaltung. Daher empfehle ich jedem, der neu in diesem Bereich ist, XGBoost zu lernen und zu verwenden. Es muss in Ihrem ML-Toolkit sein. Bewertung gesammelt von und auf G2.com gehostet.

Das zugrunde liegende Konzept des Algorithmus ist anfangs etwas schwer zu verstehen. Und das Modell hat eine große Anzahl von Hyperparametern. Daher ist es zu Beginn schwierig, die Rolle jedes Hyperparameters zu verstehen. Aber nach einiger Lektüre der Theorie des Algorithmus usw. wird das Modell leicht zu verstehen und zu verwenden. Bewertung gesammelt von und auf G2.com gehostet.

- XgBoost ist eine Art Bibliothek, die Sie auf Ihrem Rechner installieren können. C++, Java, Python mit Sci-kit learn und viele mehr.

- Es führt die Parallelisierung des Baumaufbaus unter Verwendung aller CPU-Kerne durch.

- Die Implementierung des Algorithmus wurde für die Effizienz der Rechenzeit und der Speicherressourcen entwickelt.

- Xgboost gewährleistet die Ausführungsgeschwindigkeit und die Modellleistung.

- XGBoost hat intern Parameter für Kreuzvalidierung, Regularisierung, benutzerdefinierte Zielfunktionen, fehlende Werte usw.

- Es hilft, Overfitting zu reduzieren. Bewertung gesammelt von und auf G2.com gehostet.

Es gibt nicht viel, was ich an Xgboost nicht mag, aber für mich ist das Abstimmen der Parameter manchmal etwas hektisch. Bewertung gesammelt von und auf G2.com gehostet.

Ich habe XGBoost mehrfach verwendet, und es ist eine sehr intuitive Bibliothek, die man schnell für die Aufgabe, die ich zu erledigen hatte (ein ziemlich einfacher Gradient-Boosting-Aufgabe), erlernen kann. Ich habe das Paket nur in der R-Form verwendet, aber von Kollegen, die viel regelmäßiger Gradient-Boosting für prädiktive Projekte nutzen, Gutes gehört; XGBoost scheint die bevorzugte Bibliothek für Boosting für mehrere Data Scientists zu sein, mit denen ich arbeite. Bewertung gesammelt von und auf G2.com gehostet.

Nichts fällt mir ein; es ist ein effizientes und einfach zu bedienendes Gradient-Boosting-Framework. Die Unterstützung für die R-Version scheint etwas geringer zu sein als für die Python-Version, aber die R-Version hat für meine Bedürfnisse gut funktioniert (relativ kleiner Datensatz, keine Multicore-Verarbeitung oder Bedarf an intensiver Parallelisierung). Bewertung gesammelt von und auf G2.com gehostet.

Die Anwendung ist eine benutzerfreundliche, sofort einsatzbereite Software, die schnell auf Datenprognoseprobleme angewendet werden kann. Sie ist zuverlässig, schnell und portabel und macht sie zu einem vielseitigen Werkzeug für maschinelles Lernen. Bewertung gesammelt von und auf G2.com gehostet.

Es gibt nicht viel zu bemängeln. Es war als Entscheidungsbaum-Algorithmus ziemlich populär und bleibt zu Recht eine zuverlässige Wahl für Anwendungen in der Datenwissenschaft. Ich wünschte nur, es wäre früher entwickelt worden! Bewertung gesammelt von und auf G2.com gehostet.

Der Schub ist, dass Ihr Programm besser und stärker wird, es macht es einfacher zu bauen, es macht den Zugriff auf Ihren Computer einfach und benutzerfreundlich und baut Ihr Programm auf. Bewertung gesammelt von und auf G2.com gehostet.

Nichts, ich mag alles daran und es hilft mir, schneller zu verstehen und es ist gut für das Programmieren. Bewertung gesammelt von und auf G2.com gehostet.

XGBoost hat eine bessere Leistung als andere Booster oder Gradientenfunktionen. Hilft, die Genauigkeit bei Regressionsalgorithmen zu verbessern. Funktioniert gut mit großen Datensätzen. Bewertung gesammelt von und auf G2.com gehostet.

Es braucht Zeit, um mit komplexen Datensätzen zu trainieren. Erfordert Kreuzvalidierung für bessere Ergebnisse. Bewertung gesammelt von und auf G2.com gehostet.

Es ist hilfreich beim Erstellen eines Modells, das sehr genau in die Trainingsdaten passt. Bewertung gesammelt von und auf G2.com gehostet.

Es kann schwierig sein, das Überanpassen der Trainingsdaten zu verhindern und für das Testen zu verallgemeinern. Bewertung gesammelt von und auf G2.com gehostet.

Ich mochte, dass es sehr benutzerfreundlich war und Daten auf eine angenehme Weise integrierte. Ich mochte die Art und Weise, wie es funktionierte, und es war leicht zu erlernen. Ihr Personal war sehr gut darin, mir während des gesamten Prozesses zu helfen. Alle Fragen, die ich hatte, wurden sofort und ohne Zögern beantwortet. Sie waren freundlich und flexibel in der Zusammenarbeit. Ich würde es definitiv empfehlen. Bewertung gesammelt von und auf G2.com gehostet.

Es gab nichts, was mir daran nicht gefiel. Bewertung gesammelt von und auf G2.com gehostet.