Recensioni e Dettagli del Prodotto XGBoost

La cosa migliore di XGBoost è che fornisce l'elaborazione parallela nello sviluppo del modello di machine learning; con l'aiuto di 4 core e l'elaborazione parallela, sono stato in grado di sviluppare un modello di machine learning su 30 milioni di abbonati in 2 ore. Recensione raccolta e ospitata su G2.com.

Quello che non mi piace di XGBoost è che non gestisce i valori anomali nel dataset durante lo sviluppo del modello di machine learning. Recensione raccolta e ospitata su G2.com.

È l'algoritmo stand-alone con le migliori prestazioni (escludendo gli algoritmi di deep learning che sono un campo completamente diverso) famoso per aver vinto molte competizioni online di machine learning. Funziona velocemente e offre prestazioni migliori rispetto agli algoritmi di bagging perché impara dagli errori dei modelli ad albero precedenti che sono stati costruiti al suo interno. È possibile ottimizzare XGBoost per vari parametri, quindi se desideri un alto richiamo, puoi farlo con l'aiuto di GridSearchCV. È molto efficiente rispetto al famoso algoritmo Random Forest. Recensione raccolta e ospitata su G2.com.

Che non fa parte di un pacchetto più grande come Anaconda ma dobbiamo installarlo separatamente. Inoltre, la sua grandezza comporta il costo dell'overfitting proprio come le reti neurali profonde. Impara così bene che, dopo la regolazione degli iperparametri, sovradatta più di altri algoritmi. Recensione raccolta e ospitata su G2.com.

Ho utilizzato modelli XGBoost per molti problemi di competizione ML finora. Ogni volta sono riuscito a ottenere un modello ad alta accuratezza e alte prestazioni utilizzando XGBoost. XGBoost è ben noto per le sue migliori prestazioni e la gestione efficiente della memoria nella comunità ML. Pertanto, consiglio vivamente a chiunque sia nuovo nel campo di imparare e utilizzare XGBoost. Deve assolutamente far parte del tuo toolkit ML. Recensione raccolta e ospitata su G2.com.

Il concetto sottostante dell'algoritmo è un po' difficile da comprendere all'inizio. Inoltre, il modello ha un gran numero di iperparametri. Pertanto, all'inizio, è difficile capire il ruolo che ciascun iperparametro svolge. Ma dopo aver letto un po' la teoria dell'algoritmo, ecc., il modello diventa facile da comprendere e utilizzare. Recensione raccolta e ospitata su G2.com.

- XgBoost è un tipo di libreria che puoi installare sulla tua macchina. C++, Java, Python con Sci-kit learn e molti altri.

- Esegue la costruzione dell'albero in parallelo utilizzando tutti i core della CPU

- L'implementazione dell'algoritmo è stata progettata per l'efficienza del tempo di calcolo e delle risorse di memoria.

- Xgboost garantisce la velocità di esecuzione e le prestazioni del modello

- XGBoost ha internamente parametri per la cross-validation, la regolarizzazione, funzioni obiettivo definite dall'utente, valori mancanti ecc.

- Aiuta a ridurre l'overfitting. Recensione raccolta e ospitata su G2.com.

Non c'è molto che non mi piaccia di Xgboost, ma a volte per me regolare i parametri è un po' faticoso. Recensione raccolta e ospitata su G2.com.

Ho usato XGBoost più volte, ed è una libreria molto intuitiva che è facile da apprendere rapidamente per il compito che avevo a portata di mano (un compito di gradient boosting abbastanza semplice). Ho usato il pacchetto solo in forma R, ma ho sentito buone cose dai colleghi che usano molto più regolarmente il gradient boosting per progetti predittivi; XGBoost sembra essere la libreria di riferimento per il boosting per molti Data Scientist con cui lavoro. Recensione raccolta e ospitata su G2.com.

Non mi viene in mente nulla; è un framework di gradient boosting efficiente e facile da usare. Il supporto per la versione R sembra un po' inferiore rispetto alla versione Python, ma la versione R ha funzionato bene per le mie esigenze (dataset relativamente piccolo, nessun processamento multicore o necessità di intensa parallelizzazione). Recensione raccolta e ospitata su G2.com.

L'applicazione è un software facile da usare, pronto all'uso per applicare rapidamente a problemi di previsione dei dati. È affidabile, veloce e portatile, rendendolo uno strumento versatile per l'apprendimento automatico. Recensione raccolta e ospitata su G2.com.

Non c'è molto da non apprezzare. È stato piuttosto popolare come algoritmo ad albero decisionale e giustamente rimane una scelta affidabile per le applicazioni di data science. Avrei solo voluto che fosse stato sviluppato prima! Recensione raccolta e ospitata su G2.com.

Il potenziamento è il tuo programma rende una costruzione migliore e più forte, rende più facile costruire, rende l'accesso al tuo computer facile da usare e costruire il tuo programma. Recensione raccolta e ospitata su G2.com.

Nessuno, mi piace tutto di esso e aiutami a costruire più velocemente, capire ed è buono per la programmazione. Recensione raccolta e ospitata su G2.com.

XGBoost ha prestazioni migliori rispetto ad altri booster o funzioni di gradiente. Aiuta a restituire una maggiore accuratezza sugli algoritmi di regressione. Funziona bene su grandi set di dati. Recensione raccolta e ospitata su G2.com.

Richiede tempo per addestrare su set di dati complessi. Richiede la convalida incrociata per risultati migliori. Recensione raccolta e ospitata su G2.com.

è utile per costruire un modello che sia molto accurato nell'adattarsi all'addestramento. Recensione raccolta e ospitata su G2.com.

può essere difficile prevenire l'overfitting dei dati di addestramento e generalizzare per il test. Recensione raccolta e ospitata su G2.com.

Mi è piaciuto che fosse molto facile da usare e che incorporasse i dati in un modo piacevole. Mi è piaciuto il modo in cui funzionava ed è stato facile da imparare. Il loro personale è stato molto bravo ad assistermi durante tutto il processo. Qualsiasi domanda avessi è stata risolta immediatamente e senza esitazione. Sono stati gentili e flessibili nel lavorare con loro. Lo consiglierei sicuramente. Recensione raccolta e ospitata su G2.com.

Non c'era nulla che non mi piacesse. Recensione raccolta e ospitata su G2.com.