Glossário

XGBoost

O que é XGBoost?

O XGBoost (Extreme Gradient Boosting) é uma biblioteca de código aberto que implementa o gradient boosting com árvores de decisão de forma particularmente eficiente. Muitas árvores pequenas são treinadas umas após outras, cada uma corrigindo os erros das anteriores, enquanto a regularização ajuda a evitar o sobreajuste. O XGBoost é considerado uma escolha comprovada para dados tabulares, por exemplo na pontuação de risco de crédito, na previsão de abandono de clientes ou na previsão de vendas.

Temas

Aprendizagem automática
Boosting
Open source

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Gradient boosting

O gradient boosting é uma técnica de machine learning que combina muitos modelos simples – normalmente pequenas árvores de decisão – uns a seguir aos outros. Cada nova árvore é treinada especificamente para reduzir os erros restantes das anteriores. O resultado são modelos muito precisos para dados tabulares, por exemplo para risco de crédito, previsões de vendas ou probabilidade de abandono. Implementações conhecidas são o XGBoost, o LightGBM e o CatBoost; é necessário um ajuste cuidadoso para evitar o sobreajuste.

Aprendizagem automática
Método de ensemble
+1

LightGBM

O LightGBM é uma biblioteca de código aberto para gradient boosting com árvores de decisão, desenvolvida originalmente pela Microsoft. Foi concebido para a velocidade e o baixo consumo de memória, entre outras coisas através de um treino baseado em histogramas e de árvores que crescem folha a folha na folha mais promissora. O LightGBM é particularmente adequado para grandes conjuntos de dados tabulares, por exemplo previsões de vendas, previsão de abandono ou deteção de fraude, e é frequentemente comparado com o XGBoost.

Gradient boosting
Dados tabulares
+1

Boosting

O boosting é um método de ensemble em aprendizagem automática em que muitos modelos simples são treinados uns após os outros, concentrando-se cada novo modelo nos casos em que os anteriores erraram. Em conjunto, formam um modelo global muito mais preciso. Variantes conhecidas são o AdaBoost e o gradient boosting, com bibliotecas como XGBoost ou LightGBM. O boosting é particularmente forte em dados tabulares, por exemplo em previsões de risco de crédito, de vendas ou de abandono de clientes.

Métodos de ensemble
Aprendizagem automática
+1

Regressão com floresta aleatória

A regressão com floresta aleatória (random forest) prevê valores numéricos combinando muitas árvores de decisão. Cada árvore é treinada com uma amostra aleatória dos dados e uma seleção aleatória de características; o resultado é a média das previsões de todas as árvores. Isto torna o método mais robusto e menos propenso ao sobreajuste do que uma árvore isolada. É utilizada, por exemplo, em previsões de vendas, estimativas de preços ou da procura de energia – muitas vezes como ponto de partida sólido para dados tabulares.

regressão
método de ensemble
+1