Avaliações e Detalhes do Produto XGBoost

A melhor coisa sobre o XGBoost é que ele fornece processamento paralelo no desenvolvimento de modelos de aprendizado de máquina; com a ajuda de 4 núcleos e processamento paralelo, eu consegui desenvolver um modelo de aprendizado de máquina em 30 milhões de assinantes em 2 horas. Análise coletada por e hospedada no G2.com.

O que eu não gosto no XGBoost é que ele não lida com os outliers no conjunto de dados durante o desenvolvimento do modelo de aprendizado de máquina. Análise coletada por e hospedada no G2.com.

É o algoritmo autônomo de melhor desempenho (não contando os algoritmos de deep learning, que são um campo completamente diferente) famoso por vencer muitas competições online de aprendizado de máquina. Ele é rápido e tem um desempenho melhor do que algoritmos de bagging porque aprende com os erros dos modelos de árvore anteriores que foram construídos dentro dele. É possível ajustar o XGBoost para várias métricas, então se você quiser um alto recall, pode fazê-lo com a ajuda do GridSearchCV. É muito eficiente em comparação com o famoso algoritmo Random Forest. Análise coletada por e hospedada no G2.com.

Que não faz parte de um pacote maior, como o Anaconda, mas temos que instalá-lo separadamente. Além disso, sua grandeza vem com o custo de overfitting, assim como as redes neurais profundas. Aprende tão bem que, após o ajuste de hiperparâmetros, se ajusta mais do que outros algoritmos. Análise coletada por e hospedada no G2.com.

Eu usei modelos XGBoost para muitos problemas de competição de ML até agora. Toda vez, consegui alcançar um modelo de alta precisão e alto desempenho usando XGBoost. XGBoost é bem conhecido por seu melhor desempenho e gerenciamento eficiente de memória na comunidade de ML. Portanto, recomendo altamente a qualquer pessoa que seja nova na área aprender e usar XGBoost. É imprescindível estar no seu kit de ferramentas de ML. Análise coletada por e hospedada no G2.com.

O conceito subjacente do algoritmo é um pouco difícil de entender a princípio. E o modelo tem um grande número de hiperparâmetros. Portanto, no início, é difícil entender o papel que cada hiperparâmetro desempenha. Mas após alguma leitura da teoria do algoritmo etc., o modelo torna-se fácil de compreender e usar. Análise coletada por e hospedada no G2.com.

- XgBoost é um tipo de biblioteca que você pode instalar na sua máquina. C++, Java, Python com Sci-kit learn e muitos mais.

- Ele faz a construção de árvores em paralelo usando todos os núcleos da CPU.

- A implementação do algoritmo foi projetada para a eficiência do tempo de computação e dos recursos de memória.

- Xgboost garante a velocidade de execução e o desempenho do modelo.

- XGBoost internamente possui parâmetros para validação cruzada, regularização, funções de objetivo definidas pelo usuário, valores ausentes, etc.

- Ajuda a reduzir o overfitting. Análise coletada por e hospedada no G2.com.

Não há muito que eu não goste do Xgboost, mas para mim, às vezes, ajustar os parâmetros é um pouco cansativo. Análise coletada por e hospedada no G2.com.

Usei o XGBoost várias vezes, e é uma biblioteca muito intuitiva que é fácil de aprender rapidamente para a tarefa que eu tinha em mãos (uma tarefa de boosting de gradiente bastante direta). Eu só usei o pacote na forma de R, mas ouvi coisas boas de colegas que usam boosting de gradiente com muito mais regularidade para projetos preditivos; o XGBoost parece ser a biblioteca preferida para boosting para vários Cientistas de Dados com quem trabalho. Análise coletada por e hospedada no G2.com.

Nada vem à mente; é uma estrutura de boosting de gradiente eficiente e fácil de usar. O suporte para a versão R parece um pouco menor do que a versão Python, mas a versão R atendeu bem às minhas necessidades (conjunto de dados relativamente pequeno, sem processamento multicore ou necessidade de intensa paralelização). Análise coletada por e hospedada no G2.com.

O aplicativo é um software fácil de usar, pronto para uso, para aplicar rapidamente a problemas de previsão de dados. É confiável, rápido e portátil, tornando-se uma ferramenta versátil para aprendizado de máquina. Análise coletada por e hospedada no G2.com.

Não há muito do que não gostar. Tem sido bastante popular como um algoritmo de árvore de decisão e, com razão, continua sendo uma escolha confiável para aplicações de ciência de dados. Só gostaria que tivesse sido desenvolvido mais cedo! Análise coletada por e hospedada no G2.com.

O impulso é que seu programa se torna melhor e mais forte, torna mais fácil construí-lo, facilita o acesso ao seu computador e torna seu programa fácil de usar e construir. Análise coletada por e hospedada no G2.com.

Nenhum, eu gosto de tudo sobre isso e me ajuda a construir mais rápido, entender e é bom para programação. Análise coletada por e hospedada no G2.com.

O XGBoost tem um desempenho melhor do que outros boosters ou funções de gradiente. Ajuda a retornar uma precisão melhorada em algoritmos de regressão. Funciona bem em grandes conjuntos de dados. Análise coletada por e hospedada no G2.com.

Leva tempo para treinar em conjuntos de dados complexos. Requer validação cruzada para melhores resultados. Análise coletada por e hospedada no G2.com.

é útil na construção de um modelo que é muito preciso em se ajustar ao treinamento. Análise coletada por e hospedada no G2.com.

pode ser difícil antecipar o sobreajuste dos dados de treinamento e generalizar para o teste. Análise coletada por e hospedada no G2.com.

Gostei que era muito fácil de usar e incorporava dados de uma maneira agradável. Gostei da forma como funcionava e era fácil de aprender. A equipe deles foi muito boa em me ajudar durante todo o processo. Qualquer dúvida que eu tinha era respondida imediatamente e sem hesitação. Eles foram gentis e flexíveis para trabalhar. Eu definitivamente recomendaria. Análise coletada por e hospedada no G2.com.

Não houve nada de que eu não gostasse. Análise coletada por e hospedada no G2.com.