Avis et détails du produit XGBoost

La meilleure chose à propos de XGBoost est qu'il offre un traitement parallèle dans le développement de modèles d'apprentissage automatique ; avec l'aide de 4 cœurs et du traitement parallèle, j'ai pu développer un modèle d'apprentissage automatique sur 30 millions d'abonnés en 2 heures. Avis collecté par et hébergé sur G2.com.

Ce que je n'aime pas à propos de XGBoost, c'est qu'il ne gère pas les valeurs aberrantes dans le jeu de données pendant le développement du modèle d'apprentissage automatique. Avis collecté par et hébergé sur G2.com.

C'est l'algorithme autonome le plus performant (sans compter les algorithmes d'apprentissage profond qui sont un tout autre domaine) célèbre pour avoir remporté de nombreuses compétitions d'apprentissage automatique en ligne. Il fonctionne rapidement et performe mieux que les algorithmes de bagging car il apprend des erreurs des modèles d'arbres précédents qui ont été construits en son sein. Il est possible d'ajuster XGBoost pour divers métriques, donc si vous voulez un rappel élevé, vous pouvez le faire avec l'aide de GridSearchCV. Il est très efficace comparé à l'algorithme célèbre Random Forest. Avis collecté par et hébergé sur G2.com.

Qu'il ne fait pas partie d'un plus grand ensemble tel qu'Anaconda mais que nous devons l'installer séparément. Aussi, sa grandeur vient avec le coût du surapprentissage tout comme les réseaux neuronaux profonds. Il apprend si bien qu'après l'ajustement des hyperparamètres, il surapprend plus que d'autres algorithmes. Avis collecté par et hébergé sur G2.com.

J'ai utilisé des modèles XGBoost pour de nombreux problèmes de compétition en apprentissage automatique jusqu'à présent. Chaque fois, j'ai pu obtenir un modèle de haute précision et de haute performance en utilisant XGBoost. XGBoost est bien connu pour sa meilleure performance et sa gestion efficace de la mémoire dans la communauté de l'apprentissage automatique. C'est un outil indispensable dans votre boîte à outils d'apprentissage automatique. Avis collecté par et hébergé sur G2.com.

Le concept sous-jacent de l'algorithme est quelque peu difficile à comprendre au début. Et le modèle a un grand nombre d'hyperparamètres. Par conséquent, au début, il est difficile de comprendre le rôle que joue chaque hyperparamètre. Mais après avoir lu la théorie de l'algorithme, etc., le modèle devient facile à comprendre et à utiliser. Avis collecté par et hébergé sur G2.com.

- XgBoost est un type de bibliothèque que vous pouvez installer sur votre machine. C++, Java, Python avec Sci-kit learn et bien d'autres.

- Il effectue la construction d'arbres en parallélisation en utilisant tous les cœurs du CPU.

- La mise en œuvre de l'algorithme a été conçue pour l'efficacité du temps de calcul et des ressources mémoire.

- Xgboost assure la vitesse d'exécution et la performance du modèle.

- XGBoost dispose en interne de paramètres pour la validation croisée, la régularisation, les fonctions objectives définies par l'utilisateur, les valeurs manquantes, etc.

- Il aide à réduire le surajustement. Avis collecté par et hébergé sur G2.com.

Il n'y a pas grand-chose que je n'aime pas à propos de Xgboost, mais pour moi, parfois, le réglage des paramètres est un peu fatigant. Avis collecté par et hébergé sur G2.com.

J'ai utilisé XGBoost plusieurs fois, et c'est une bibliothèque très intuitive qui est facile à prendre en main rapidement pour la tâche que j'avais à accomplir (une tâche de gradient boosting assez simple). Je n'ai utilisé le package que sous forme R, mais j'ai entendu de bonnes choses de la part de collègues qui utilisent beaucoup plus régulièrement le gradient boosting pour des projets prédictifs ; XGBoost semble être la bibliothèque de référence pour le boosting pour plusieurs Data Scientists avec qui je travaille. Avis collecté par et hébergé sur G2.com.

Rien ne me vient à l'esprit ; c'est un cadre de gradient boosting efficace et facile à utiliser. Le support pour la version R semble un peu moins développé que pour la version Python, mais la version R a bien fonctionné pour mes besoins (ensemble de données relativement petit, pas de traitement multicœur ou besoin d'une parallélisation intense). Avis collecté par et hébergé sur G2.com.

L'application est un logiciel prêt à l'emploi, facile à utiliser, pour appliquer rapidement à des problèmes de prédiction de données. Elle est fiable, rapide et portable, ce qui en fait un outil polyvalent pour l'apprentissage automatique. Avis collecté par et hébergé sur G2.com.

Il n'y a pas grand-chose à détester. C'est un algorithme d'arbre de décision assez populaire et il reste à juste titre un choix fiable pour les applications de science des données. J'aurais seulement souhaité qu'il ait été développé plus tôt ! Avis collecté par et hébergé sur G2.com.

L'amélioration de votre programme le rend meilleur et plus solide, elle facilite sa construction, rend l'accès à votre ordinateur plus simple et rend votre programme facile à utiliser et à construire. Avis collecté par et hébergé sur G2.com.

Aucun, j'aime tout à ce sujet et aide-moi à comprendre plus rapidement et c'est bon pour la programmation. Avis collecté par et hébergé sur G2.com.

XGBoost a de meilleures performances que les autres boosters ou fonctions de gradient. Aide à obtenir une meilleure précision sur les algorithmes de régression. Fonctionne bien sur de grands ensembles de données. Avis collecté par et hébergé sur G2.com.

Prend du temps pour s'entraîner sur des ensembles de données complexes. Nécessite une validation croisée pour de meilleurs résultats. Avis collecté par et hébergé sur G2.com.

il est utile pour construire un modèle qui est très précis dans l'ajustement de l'entraînement. Avis collecté par et hébergé sur G2.com.

il peut être difficile de prévenir le surapprentissage des données d'entraînement et de généraliser pour les tests. Avis collecté par et hébergé sur G2.com.

J'ai aimé que ce soit très convivial et qu'il intègre les données de manière agréable. J'ai aimé la façon dont cela fonctionnait et c'était facile à apprendre. Leur personnel a été très bon pour m'assister tout au long du processus. Toutes les questions que j'avais ont été répondues immédiatement et sans hésitation. Ils étaient aimables et flexibles pour travailler avec eux. Je recommanderais certainement. Avis collecté par et hébergé sur G2.com.

Il n'y avait rien que je n'aimais pas à ce sujet. Avis collecté par et hébergé sur G2.com.