XGBoost - 版本历史

Wurong：/* 参数配置 */

2024-01-22T03:57:08Z

参数配置

←上一版本		2024年1月22日 (一) 11:57的版本
第69行：		第69行：
	* 设置随机数：控制模型的随机性。		* 设置随机数：控制模型的随机性。
	* 弱学习器类型：		* 弱学习器类型：
	** ~~gbdt（默认）：梯度提升决策树（Gradient~~ Boosting Decision Tree）。这是传统的梯度提升框架，使用了Leaf-wise决策树。		** gblinear。
			** gbtree（默认）：梯度提升决策树（Gradient Boosting Decision Tree）。这是传统的梯度提升框架，使用了Leaf-wise决策树。
	** dart：DART（Dropouts meet Multiple Additive Regression Trees）。DART是LightGBM的一种改进算法，它在训练过程中引入了随机性，通过丢弃（dropout）弱学习器来减少过拟合的风险。		** dart：DART（Dropouts meet Multiple Additive Regression Trees）。DART是LightGBM的一种改进算法，它在训练过程中引入了随机性，通过丢弃（dropout）弱学习器来减少过拟合的风险。
	** rf：随机森林（Random Forest）。随机森林是一种集成学习方法，通过随机选择特征和样本来构建多个决策树，并使用投票或平均来进行预测。
	* 学习率：默认0.1。

	===注意事项===		===注意事项===

Wurong：/* 示例代码-XGBoost分类节点 */

2024-01-22T03:14:29Z

示例代码-XGBoost分类节点

←上一版本		2024年1月22日 (一) 11:14的版本
第40行：		第40行：
	==示例代码-XGBoost分类节点==		==示例代码-XGBoost分类节点==
	该节点使用Python编写，调用xgboost包<ref>{{cite web		该节点使用Python编写，调用xgboost包<ref>{{cite web
	\| title = xgboost		\| title = xgboost pakage
	\| url = https://github.com/dmlc/xgboost		\| url = https://github.com/dmlc/xgboost
	\| access-date = 2024-01-22		\| access-date = 2024-01-22

Wurong：/* 示例代码-XGBoost分类节点 */

2024-01-22T03:13:57Z

示例代码-XGBoost分类节点

←上一版本		2024年1月22日 (一) 11:13的版本
第39行：		第39行：

	==示例代码-XGBoost分类节点==		==示例代码-XGBoost分类节点==
	该节点使用Python编写，调用xgboost包{{cite web		该节点使用Python编写，调用xgboost包<ref>{{cite web
	\| title = xgboost		\| title = xgboost
	\| url = https://github.com/dmlc/xgboost		\| url = https://github.com/dmlc/xgboost

Wurong：/* 示例代码-XGBoost分类节点 */

2024-01-22T03:13:13Z

示例代码-XGBoost分类节点

←上一版本		2024年1月22日 (一) 11:13的版本
第41行：		第41行：
	该节点使用Python编写，调用xgboost包{{cite web		该节点使用Python编写，调用xgboost包{{cite web
	\| title = xgboost		\| title = xgboost
	\| url = [https://github.com/dmlc/xgboost]		\| url = https://github.com/dmlc/xgboost
	\| access-date = 2024-01-22		\| access-date = 2024-01-22
	}}</ref>。以下为示例代码：		}}</ref>。以下为示例代码：

Wurong：/* 示例代码-XGBoost分类节点 */

2024-01-22T03:12:50Z

示例代码-XGBoost分类节点

←上一版本		2024年1月22日 (一) 11:12的版本
第41行：		第41行：
	该节点使用Python编写，调用xgboost包{{cite web		该节点使用Python编写，调用xgboost包{{cite web
	\| title = xgboost		\| title = xgboost
	\| url = [https://github.com/dmlc/xgboost]~~(https://github.com/dmlc/xgboost)~~		\| url = [https://github.com/dmlc/xgboost]
	\| access-date = 2024-01-22		\| access-date = 2024-01-22
	}}</ref>。以下为示例代码：		}}</ref>。以下为示例代码：

Wurong：/* 示例代码-XGBoost分类节点 */

2024-01-22T03:12:06Z

示例代码-XGBoost分类节点

←上一版本		2024年1月22日 (一) 11:12的版本
第39行：		第39行：

	==示例代码-XGBoost分类节点==		==示例代码-XGBoost分类节点==
	该节点使用Python编写，调用xgboost包~~<ref>~~{{cite ~~conference~~		该节点使用Python编写，调用xgboost包{{cite web
	\| title = ~~Xgboost: A scalable tree boosting system~~		\| title = xgboost
	\| ~~author1~~ = ~~Tianqi Chen~~		\| url = [https://github.com/dmlc/xgboost](https://github.com/dmlc/xgboost)
	~~\| author2 = Carlos Guestrin~~		\| access-date = 2024-01-22
	~~\| publisher = Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining~~
	~~\| pages = 785–794~~
	\| ~~year~~ = ~~2016~~
	}}</ref>。以下为示例代码：		}}</ref>。以下为示例代码：
	<syntaxhighlight lang="Python">		<syntaxhighlight lang="Python">

Wurong：/* 示例代码-XGBoost分类节点 */

2024-01-22T03:10:02Z

示例代码-XGBoost分类节点

←上一版本		2024年1月22日 (一) 11:10的版本
第39行：		第39行：

	==示例代码-XGBoost分类节点==		==示例代码-XGBoost分类节点==
	该节点使用Python编写，调用xgboost包<ref>~~Chen, Tianqi; Guestrin, Carlos (2016). "~~Xgboost: A scalable tree boosting system~~". In~~ Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining~~. pp.~~ 785–794.</ref>。以下为示例代码：		该节点使用Python编写，调用xgboost包<ref>{{cite conference
			\| title = Xgboost: A scalable tree boosting system
			\| author1 = Tianqi Chen
			\| author2 = Carlos Guestrin
			\| publisher = Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
			\| pages = 785–794
			\| year = 2016
			}}</ref>。以下为示例代码：
	<syntaxhighlight lang="Python">		<syntaxhighlight lang="Python">
	import xgboost as xgb		import xgboost as xgb

Wurong：/* 算法概述 */

2024-01-22T03:07:46Z

算法概述

←上一版本		2024年1月22日 (一) 11:07的版本
第33行：		第33行：
	\| author1 = Tianqi Chen		\| author1 = Tianqi Chen
	\| author2 = Carlos Guestrin		\| author2 = Carlos Guestrin
	\| ~~Publisher~~ = Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining		\| publisher = Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
	\| pages = 785–794		\| pages = 785–794
	\| year = 2016		\| year = 2016

Wurong：/* 算法概述 */

2024-01-22T03:06:47Z

算法概述

←上一版本		2024年1月22日 (一) 11:06的版本
第33行：		第33行：
	\| author1 = Tianqi Chen		\| author1 = Tianqi Chen
	\| author2 = Carlos Guestrin		\| author2 = Carlos Guestrin
	\| ~~booktitle~~ = Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining		\| Publisher = Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
	\| pages = 785–794		\| pages = 785–794
	\| year = 2016		\| year = 2016

Wurong：/* 参数配置 */

2024-01-22T03:03:52Z

参数配置

←上一版本		2024年1月22日 (一) 11:03的版本
第64行：		第64行：
	===参数配置===		===参数配置===
	* 设置随机数：控制模型的随机性。		* 设置随机数：控制模型的随机性。
	* ~~评估算法：训练中使用的指标。指定的值还决定了要解决的机器学习问题。可选Logloss, 交叉熵, Precision, Recall, F1, MCC。~~		* 弱学习器类型：
	* ~~树深：树的最大深度。~~		** gbdt（默认）：梯度提升决策树（Gradient Boosting Decision Tree）。这是传统的梯度提升框架，使用了Leaf-wise决策树。
	* ~~迭代次数：使用CatBoost解决机器学习问题时可以构建的最大迭代次数。~~		** dart：DART（Dropouts meet Multiple Additive Regression Trees）。DART是LightGBM的一种改进算法，它在训练过程中引入了随机性，通过丢弃（dropout）弱学习器来减少过拟合的风险。
			** rf：随机森林（Random Forest）。随机森林是一种集成学习方法，通过随机选择特征和样本来构建多个决策树，并使用投票或平均来进行预测。
	* 学习率：默认0.1。		* 学习率：默认0.1。

XGBoost - 版本历史

Wurong：​/* 参数配置 */

Wurong：​/* 示例代码-XGBoost分类节点 */

Wurong：​/* 示例代码-XGBoost分类节点 */

Wurong：​/* 示例代码-XGBoost分类节点 */

Wurong：​/* 示例代码-XGBoost分类节点 */

Wurong：​/* 示例代码-XGBoost分类节点 */

Wurong：​/* 示例代码-XGBoost分类节点 */

Wurong：​/* 算法概述 */

Wurong：​/* 算法概述 */

Wurong：​/* 参数配置 */

Wurong：/* 参数配置 */

Wurong：/* 示例代码-XGBoost分类节点 */

Wurong：/* 示例代码-XGBoost分类节点 */

Wurong：/* 示例代码-XGBoost分类节点 */

Wurong：/* 示例代码-XGBoost分类节点 */

Wurong：/* 示例代码-XGBoost分类节点 */

Wurong：/* 示例代码-XGBoost分类节点 */

Wurong：/* 算法概述 */

Wurong：/* 算法概述 */

Wurong：/* 参数配置 */