XGBoost
XGBoost[1]是一個開源軟件庫，為C++、Java、Python[2]、R、[3]和Julia[4]提供了一個梯度提升框架，適用於Linux、Windows[5]、以及macOS[6]。根據項目的描述，它的目的在於提供一個"可擴展、可移植和分佈式梯度提升（GBM、GBRT、GBDT）庫"。XGBoost除了可以在單機上運行，也支持運行在分佈式框架如Apache Hadoop、Apache Spark和Apache Flink上。近幾年，由於該算法受到許多在機器學習競賽中獲獎團隊的青睞，因而受到了廣泛的歡迎和關注[7]。
 | |
| 開發者 | The XGBoost Contributors |
|---|---|
| 首次發佈 | 2014年3月27日 |
| 當前版本 | 0.70（2017年12月30日） |
| 原始碼庫 | |
| 程式語言 | C++ |
| 作業系統 | Linux, macOS, Windows |
| 類型 | 機器學習 |
| 許可協議 | Apache License 2.0 |
| 網站 | xgboost |
歷史
編輯XGBoost最初是一個研究項目，由當時在Distributed (Deep) Machine Learning Community (DMLC) 組裏的陳天奇負責[8]。它最初作為一個可以由libsvm配置文件進行配置的終端應用程式。在Higgs機器學習挑戰中取得勝利後，它開始在機器學習競賽圈子中被廣為人知。不久之後，相應的Python和R的軟件包被開發了出來。XGBoost現在也已經為Julia、Scala、Java和其他語言提供了軟件包實現。這使得更多的開發者了解了XGBoost，並且讓其在Kaggle社區備受歡迎，被廣泛用於大量的競賽[7]。
很快地，XGBoost就與其他多個軟件包一起使用，使其更易於在各自的社區中使用。它現在已經與Python用戶的scikit-learn以及與R的Caret軟件包集成在一起。它還可以使用抽象的Rabit[9]及XGBoost4J集成到諸如Apache Spark、Apache Hadoop和Apache Flink等數據流框架中[10]。XGBoost也可用於FPGAs的OpenCL[11]。陳天奇和Carlos Guestrin發表了一種高效、可擴展的XGBoost實現[12]。
獲獎
編輯參考文獻
編輯- ^ GitHub project webpage. [2019-01-09]. （原始內容存檔於2021-04-01）.
- ^ Python Package Index PYPI: xgboost. [2016-08-01]. （原始內容存檔於2017-08-23）.
- ^ CRAN package xgboost. [2016-08-01]. （原始內容存檔於2018-10-26）.
- ^ Julia package listing xgboost. [2016-08-01]. （原始內容存檔於2016-08-18）.
- ^ Installing XGBoost for Anaconda in Windows. [2016-08-01]. （原始內容存檔於2018-05-08）.
- ^ Installing XGBoost on Mac OSX. [2016-08-01]. （原始內容存檔於2018-05-08）.
- ^ 7.0 7.1 XGBoost - ML winning solutions (incomplete list). [2016-08-01]. （原始內容存檔於2022-08-08）.
- ^ Story and Lessons behind the evolution of XGBoost. [2016-08-01]. （原始內容存檔於2016-08-07）.
- ^ Rabit - Reliable Allreduce and Broadcast Interface. [2016-08-01]. （原始內容存檔於2018-06-11）.
- ^ XGBoost4J. [2016-08-01]. （原始內容存檔於2018-05-08）.
- ^ XGBoost on FPGAs. [2019-08-01]. （原始內容存檔於2020-09-13）.
- ^ Chen, Tianqi; Guestrin, Carlos. Krishnapuram, Balaji; Shah, Mohak; Smola, Alexander J.; Aggarwal, Charu C.; Shen, Dou; Rastogi, Rajeev , 編. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, CA, USA, August 13-17, 2016. ACM: 785–794. 2016. arXiv:1603.02754
. doi:10.1145/2939672.2939785. |contribution=被忽略 (幫助) - ^ John Chambers Award Previous Winners. [2016-08-01]. （原始內容存檔於2017-07-31）.
- ^ HEP meets ML Award. [2016-08-01]. （原始內容存檔於2018-05-08）.
