XGBoost Reseñas y Detalles del Producto

Lo mejor de XGBoost es que proporciona procesamiento paralelo en el desarrollo de modelos de aprendizaje automático; con la ayuda de 4 núcleos y procesamiento paralelo, pude desarrollar un modelo de aprendizaje automático en 30 millones de suscriptores en 2 horas. Reseña recopilada por y alojada en G2.com.

Lo que no me gusta de XGBoost es que no maneja los valores atípicos en el conjunto de datos durante el desarrollo del modelo de aprendizaje automático. Reseña recopilada por y alojada en G2.com.

Es el algoritmo independiente de mejor rendimiento (sin contar los algoritmos de aprendizaje profundo, que es un campo completamente diferente) famoso por ganar muchas competiciones de aprendizaje automático en línea. Funciona rápidamente y rinde mejor que los algoritmos de bagging porque aprende de los errores de los modelos de árboles anteriores que se construyeron dentro de él. También es posible ajustar XGBoost para varios métricas, por lo que si deseas un alto recall, puedes hacerlo con la ayuda de GridSearchCV. Es muy eficiente en comparación con el famoso algoritmo de Random Forest. Reseña recopilada por y alojada en G2.com.

Que no es parte de un paquete más grande como Anaconda, sino que tenemos que instalarlo por separado. Además, su grandeza viene con el costo de sobreajuste, al igual que las redes neuronales profundas. Aprende tan bien que después del ajuste de hiperparámetros se sobreajusta más que otros algoritmos. Reseña recopilada por y alojada en G2.com.

He utilizado modelos XGBoost para muchos problemas de competencia de ML hasta ahora. Cada vez pude lograr un modelo de alta precisión y alto rendimiento mediante el uso de XGBoost. XGBoost es bien conocido por su mejor rendimiento y gestión eficiente de la memoria en la comunidad de ML. Por lo tanto, lo recomiendo mucho a cualquiera que sea nuevo en el campo para aprender y usar XGBoost. Es imprescindible tenerlo en tu conjunto de herramientas de ML. Reseña recopilada por y alojada en G2.com.

El concepto subyacente del algoritmo es algo difícil de entender al principio. Y el modelo tiene un gran número de hiperparámetros. Por lo tanto, al principio, es difícil entender el papel que juega cada hiperparámetro. Pero después de leer un poco sobre la teoría del algoritmo, etc., el modelo se vuelve fácil de comprender y usar. Reseña recopilada por y alojada en G2.com.

- XgBoost es un tipo de biblioteca que puedes instalar en tu máquina. C++, Java, Python con Sci-kit learn y muchos más.

- Realiza la construcción de árboles en paralelo utilizando todos los núcleos de la CPU.

- La implementación del algoritmo fue diseñada para la eficiencia del tiempo de computación y los recursos de memoria.

- Xgboost asegura la velocidad de ejecución y el rendimiento del modelo.

- XGBoost internamente tiene parámetros para validación cruzada, regularización, funciones objetivo definidas por el usuario, valores perdidos, etc.

- Ayuda a reducir el sobreajuste. Reseña recopilada por y alojada en G2.com.

No hay mucho que no me guste del Xgboost, pero para mí a veces ajustar los parámetros es un poco agitado. Reseña recopilada por y alojada en G2.com.

He usado XGBoost varias veces, y es una biblioteca muy intuitiva que es fácil de aprender rápidamente para la tarea que tenía en mano (una tarea de boosting de gradiente bastante sencilla). Solo usé el paquete en su forma de R, pero he escuchado cosas buenas de colegas que usan mucho más regularmente el boosting de gradiente para proyectos predictivos; XGBoost parece ser la biblioteca de referencia para boosting para varios científicos de datos con los que trabajo. Reseña recopilada por y alojada en G2.com.

No se me ocurre nada; es un marco de boosting de gradiente eficiente y fácil de usar. El soporte para la versión de R parece un poco menor que para la versión de Python, pero la versión de R funcionó bien para mis necesidades (conjunto de datos relativamente pequeño, sin procesamiento multinúcleo o necesidad de paralelización intensa). Reseña recopilada por y alojada en G2.com.

La aplicación es un software fácil de usar y listo para usar para aplicar rápidamente a problemas de predicción de datos. Es confiable, rápida y portátil, lo que la convierte en una herramienta versátil para el aprendizaje automático. Reseña recopilada por y alojada en G2.com.

No hay mucho que no guste. Ha sido bastante popular como un algoritmo de árbol de decisión y con razón sigue siendo una opción confiable para aplicaciones de ciencia de datos. ¡Solo desearía que se hubiera desarrollado antes! Reseña recopilada por y alojada en G2.com.

El impulso es que tu programa se construye mejor y más fuerte, lo hace más fácil de construir, hace que tu computadora sea accesible y fácil de usar y construir tu programa. Reseña recopilada por y alojada en G2.com.

Nada, me gusta todo sobre eso y me ayuda a construir más rápido, entender y es bueno para programar. Reseña recopilada por y alojada en G2.com.

XGBoost tiene un mejor rendimiento que otros potenciadores o funciones de gradiente. Ayuda a devolver una mayor precisión en algoritmos de regresión. Funciona bien con grandes conjuntos de datos. Reseña recopilada por y alojada en G2.com.

Toma tiempo entrenar con conjuntos de datos complejos. Requiere validación cruzada para obtener mejores resultados. Reseña recopilada por y alojada en G2.com.

es útil para construir un modelo que sea muy preciso en el ajuste del entrenamiento. Reseña recopilada por y alojada en G2.com.

puede ser difícil prevenir el sobreajuste de los datos de entrenamiento y generalizar para las pruebas. Reseña recopilada por y alojada en G2.com.

Me gustó que fuera muy fácil de usar e incorporara datos de una manera agradable. Me gustó la forma en que funcionaba y era fácil de aprender. Su personal fue muy bueno ayudándome durante todo el proceso. Cualquier pregunta que tuve fue respondida de inmediato y sin vacilación. Fueron amables y flexibles para trabajar. Definitivamente lo recomendaría. Reseña recopilada por y alojada en G2.com.

No hubo nada que no me gustara de eso. Reseña recopilada por y alojada en G2.com.