良好的数据集– XGBoost 既可用于分

[jarinislamfatema]

类问题，也可用于回归问题，但最好使用大型、高质量的数据集进行学习。大型数据集包括从一百个案例（如果变异性很小）到数百万个数据条目（对于高度复杂且多变的数据集）的任何内容。 正确的参数– 调整 XGBoost 模型的参数可能很棘手，但重要的是要让它们恰到好处，以使算法发挥最佳性能。好消息是，调整参数非常简单；只需更改几个值并再次运行模型即可。

这在很大程度上要归功于可用的出色库。 时间– XGBoost 是一种计白俄罗斯资源算密集型算法，需要花费一些时间来训练，尤其是在大型数据集上。但它仍然是速度更快的替代方案之一。 老实说，这些是我们列出的每个其他算法都需要的东西，因此假设这些也是要求，除非我们明确说明。 轻量级GBM 与 XGBoost 一样，LightGBM 是一个使用基于树的学习算法的梯度提升框架。

事实上，你可以把它看作 XGBoost 的主要竞争对手。它设计得高效且易于使用，并且支持各种类型的数据，包括分类、文本和数字数据。 LightGBM的起源可以追溯到微软研究院，该算法由郭林柯和其他研究人员开发。该算法于 2016 年根据 MIT 许可开源。从那时起，LightGBM 已成为最受欢迎的梯度提升框架之一，用户和贡献者社区不断壮大。