XGBOST

XGBOST是一种优化的分布式梯度提升库,设计高效、灵活、便携。它在梯度提升框架下实现机器学习算法。XGBoosting提供了一种并行树提升(也称为GBDT,GBM),它以快速和准确的方式解决了许多数据科学问题。相同的代码运行在主要分布式环境(Hadoop、SGE、MPI)上,可以解决数十亿个例子之外的问题。


ZBMaCT中的参考文献(31篇文章中引用)

显示结果1至20的31。
按年份排序(引文
  1. Boehmke,Brad;格林威尔,Brandon M.:用R(2020)进行机器学习
  2. 古贝拉,Robin M.;莱斯曼,斯特凡;Jaroszewicz,Szymon:收入提升模型的响应变换和利润分解(2020)
  3. 黄,Shih Feng;郭,Meihui;陈,May Ru:用函数时间序列方法预测股市趋势(2020)
  4. Kharrat,Tarak;麦克海尔,Ian G.;佩尼亚,哈维尔·L·佩兹:加减足球运动员评分(2020)
  5. Biau,G;干部B,Rouvie,L.加速梯度提升(2019)
  6. 陈,Li Pang;易,Grace Y.;张,Qihuang;何文清:网络结构协变量的多类分析与预测(2019)
  7. Huan,Er Yang;文,Gui Hua:面向面部结构分类的深度网络多级多尺度特征聚合(2019)
  8. HueRK,Gustav,EeleZn,FiLip:学习用梯度提升树从关系数据预测足球结果(2019)
  9. 耶格,Byron C.;朗,D. Leann;朗,Dustin M.;西姆斯,马里奥;SyykoWSKI;Jeff M.;闽,袁一;McClure,Leslie A.;Po.,Y.,Y:斜随机生存森林(2019)
  10. Kocbek,Primoz;Fijo,尼诺;Soguero Ruiz,克里斯蒂娜;Mikalsen,卡尔,yvnd;Maver,Urrs;Pito,PeTras;Stoz,Jenssen;Gregor:最大限度地利用手术前时间数据的特征特异性正则化logistic回归预测手术部位感染(SSI)预测模型的可解释性和成本效益(2019)
  11. 裴,Ziang;曹,Shuangliang;卢,Lijun;陈,Wufan:利用转移学习对乳腺癌病理组织学图像进行直接细胞估计(2019)
  12. 田,Xiaolu;Chong,玉田;黄,Yutao;郭,PI;李,梦洁;张,Wangjian;杜,枝城;李,Xiangyong;郝,李:使用机器学习算法预测乙型肝炎表面抗原血清学(2019)
  13. 赵,Xiaowei;张,叶;宁,Qiao;张,洪瑞;冀,Jinchao;尹,明浩:用粒子群优化算法优化极值提升系统识别N(^ 6)-甲基腺苷位点(2019)
  14. Alicja Gosiewska;Przemyslaw Biecek:审计员:模型不可知性视觉验证和诊断的R包(2018)阿西夫
  15. Anna Veronika Dorogush,Vasily Ershov,Andrey Gulin:CATBoosting:具有分类特征支持的梯度提升(2018)阿西夫
  16. Eggensperger,卡塔琳娜;林道尔,马吕斯;HoOS,Holger H.;Hutt,弗兰克;Leyton Brown,Leyton Brown:基于模型代理的算法配置器的有效标杆(2018)
  17. Lamperti,弗朗西斯科;Roventini,安德列;萨尼,阿米尔:基于代理的机器学习代理模型校准(2018)
  18. Nalenz,Malte;维拉尼,马蒂亚斯:规则结构马蹄正则化的树木合奏(2018)
  19. PetTyjin,弗兰Sou-OIS;Buntin,Wray;Webb,Geoffrey I.;Zaidi,Nayyar:使用分层Dirichlet过程的贝叶斯网络分类器的精确参数估计(2018)
  20. 彼得罗夫斯基,Bartosz;城市,约瑟夫:ATPoBoo:使用ATP反馈的二进制设置中的学习前提选择(2018)