XG增压

XGBoost是一个优化的分布式梯度提升库,旨在高效、灵活和便携。在梯度Boosting框架下实现了机器学习算法。XGBoost提供了一种并行树boosting(也称为GBDT,GBM),可以快速准确地解决许多数据科学问题。同样的代码运行在主要的分布式环境(Hadoop、SGE、MPI)上,可以解决数十亿个示例之外的问题


zbMATH参考文献(41篇文章引用)

显示第1到第20个结果,共41个。
按年份排序(引用)
  1. Richard A.伯克:回归视角下的统计学习(2020)
  2. Boehmke,Brad;Greenwell,Brandon M.:使用R进行实际操作的机器学习(2020)
  3. 科奎特,纪尧姆;吉达,托尼:尾部训练树与投资组合选择的应用(2020年)
  4. Gubela,Robin M.;Lessmann,Stefan;Jaroszewicz,Szymon:收入提升模型的响应转换和利润分解(2020)
  5. 利用时间序列预测2020年股市走势
  6. 2020年,哈拉特,加索尔足球队;哈雷
  7. Mahajan,Pravar Dilip;Maurya,Abhinav;Megahed,Aly;Elwany,Alaa;Strong,Ray;Blomberg,Jeanette:用于可操作收入变化预测的不平衡数据集的预测精度优化(2020年)
  8. Ros,Frédéric;Guillaume,Serge:从监督实例和特征选择算法到双重选择:回顾(2020)
  9. Ruehle,Fabian:数据科学在弦理论中的应用(2020)
  10. Sandeep Singh Sandha,Mohit Aggarwal,Igor Fedorov,Mani Srivastava:MANGO:A Python Library for Parallel Hyperparameter调优(2020)第十四章
  11. van Engelen,Jesper E.;Hoos,Holger H.:半监督学习调查(2020)
  12. Daniel Berrar;Philippe Lopes;Dubitzky,Werner:将领域知识纳入机器学习,以实现足球结果预测(2019年)
  13. Biau,G.;干部,B.;Rouvière,L.:加速梯度推进(2019年)
  14. 陈立鹏;易、格雷斯Y;张启煌;何文清:网络结构协变量的多类分析与预测(2019)
  15. Chvalovský,Karel;Jakubův,Jan;Suda,Martin;Urban,Josef:ENIGMA-NG:高效神经和梯度增强推理指导(\mathrmE)(2019)
  16. 黄二阳;文桂华:面部结构分类的深层网络多尺度多尺度特征聚合(2019)
  17. Hubáchek,Ondřej;Нourek,Gustav;Železný,Filip:从梯度增强树的关系数据中学习预测足球成绩(2019年)
  18. 《霍华德·林森》;霍华德·西姆林;霍华德·西姆莱森;霍华德·西姆莱森;霍华德·西姆莱森;霍华德·西姆莱森;霍华德·西姆莱森;霍华德·西姆莱森;霍华德·莱斯基;霍华德·西姆莱森;霍华德·西姆朗;霍华德·西姆莱森;霍华德·莱斯基;霍华德·
  19. 科贝克,普里莫兹;菲亚科,尼诺;索格罗鲁伊斯,克里斯蒂娜;米卡森,卡尔Øywind;马弗,乌洛斯;波瓦雷·布尔赞,佩特拉;斯托泽,安德拉兹;詹森,罗伯特;斯科罗夫斯特,斯坦·奥拉夫;斯蒂格利奇,Gregor:手术部位感染(SSI)预测模型的可解释性和成本效益最大化,使用特征特定的正则化logistic回归对术前时间数据进行分析(2019年)
  20. 裴子昂;曹双亮;吕丽军;陈武凡:转移学习法对乳腺癌组织病理学图像的直接细胞数估计(2019年)