XGBoost论文翻译------ XGBoost: A Scalable Tree Boosting System

最新推荐文章于 2026-06-07 11:28:23 发布

翻译最新推荐文章于 2026-06-07 11:28:23 发布 · 2k 阅读

收录于

机器学习

当前文章被收录于：

机器学习

1 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

本文介绍了一种名为XGBoost的可扩展、端到端的提升树系统，它在多个机器学习挑战中被广泛应用并取得了优异效果。文章提出了一种新的针对稀疏数据的方法——稀疏感知和加权的分位数近似树，并介绍了实现该系统的有效方法，包括缓存利用、数据压缩等技术。XGBoost在处理大规模数据集时表现出色，相较于其他系统能以更少的资源应对超过十亿级别的数据。

 原文链接: 
 https://arxiv.org/pdf/1603.02754.pdf

 作者:

 Tianqi Chen 
 University of Washington 
 tqchen@cs.washington.edu
 ;

 Carlos Guestrin 
 University of Washington 
 guestrin@cs.washington.edu

 摘要

 提升树是非常有效且广泛应用于机器学习的方法. 在这篇论文中, 我们描述了可扩展的,端到端的提升树系统,叫做XGBoost. 在很多机器学习的挑战中,数据科学家经常使用该系统实现卓越的效果. 我们提出了一个针对稀疏数据的新颖方法----稀疏感知和
 加权的分位近似树
 . 更重要的, 我们提出了一些有效的方法来实现缓存, 数据压缩, 分片构建提升树系统. 综合了这些有效的特点, 在数据规模超过10亿的情况下, XGBoost要比当前的其它系统使用少得多的资源.