- Marta Sobolewska
XGBoost. I po co to komu?
Aktualizacja: 30 paź 2020
Będzie o drzewach, lasach i nie tylko... a jednak ani nie o dendrologii, ani nie o leśnictwie…. Drzewa decyzyjne, lasy losowe i... XGBoost. I po co to komu?

W pierwszej części zapraszam na prezentację („XGBoost rządzi, ale może jeszcze więcej”), którą dzieli się samouk i trener uczenia maszynowego – Vladimir Alekseichenko.
Zagadnienie poruszone w prezentacji, m.in.:
XGBoost
drzewa decyzyjne, lasy losowe
ważność cech, nieliniowe zależności w cechach
learning step (długość kroku), “n estimators” (ilość kroków)
wynik pośredni
trenowanie drzew z mniejszą i większa głębokością w tym samym modelu
W drugiej części podrzucam spis dodatkowych źródeł wiedzy w obrębie tematu:
=> Official documentation page
=> Higgs Boson Discovery with Boosted Trees
=> XGBoost: A Scalable Tree Boosting System
Instalacja:
=> XGBoost documentation website
XGBoost w Pythonie:
=> Python Package Introduction
=> XGBoost Python Feature Walkthrough
XGBoost w R:
=> CRAN page for the xgboost package
=> R vignette Package ‘xgboost
=> XGboost: eXtreme Gradient Boosting
=> Understand your dataset with XGBoost
Źródło:
https://www.pexels.com/photo/nature-forest-trees-park-38136/
https://github.com/dmlc/xgboost
https://github.com/dmlc/xgboost/tree/master/demo
https://xgboost.readthedocs.io/en/latest/
http://proceedings.mlr.press/v42/chen14.pdf
https://arxiv.org/abs/1603.02754
http://xgboost.readthedocs.io/en/latest/build.html
https://cran.r-project.org/web/packages/xgboost/index.html
https://cran.r-project.org/web/packages/xgboost/vignettes/discoverYourData.html
https://cran.r-project.org/web/packages/xgboost/vignettes/xgboostPresentation.html
https://cran.r-project.org/web/packages/xgboost/vignettes/xgboost.pdf
http://xgboost.readthedocs.io/en/latest/R-package/xgboostPresentation.html
http://xgboost.readthedocs.io/en/latest/R-package/discoverYourData.html
http://xgboost.readthedocs.io/en/latest/python/python_intro.html
https://github.com/tqchen/xgboost/tree/master/demo/guide-python
#boostedtrees #trenowaniedrzew #ważnośćcech #learningstep #Python #nestimators #drzewadecyzyjne #lasylosowe #R #XGBoost