XGBoost
 | |
| 开发者 | The XGBoost Contributors |
|---|---|
| 首次发布 | 2014年3月27日 |
| 当前版本 | 0.70（2017年12月30日） |
| 源代码库 | |
| 编程语言 | C++ |
| 操作系统 | Linux, macOS, Windows |
| 类型 | 机器学习 |
| 许可协议 | Apache License 2.0 |
| 网站 | xgboost |
XGBoost[1]是一个开源软件库，为C++、Java、Python[2]、R、[3]和Julia[4]提供了一个梯度提升框架，适用于Linux、Windows[5]、以及macOS[6]。根据项目的描述，它的目的在于提供一个"可扩展、可移植和分布式梯度提升（GBM、GBRT、GBDT）库"。XGBoost除了可以在单机上运行，也支持运行在分布式框架如Apache Hadoop、Apache Spark和Apache Flink上。近几年，由于该算法受到许多在机器学习竞赛中获奖团队的青睐，因而受到了广泛的欢迎和关注[7]。
历史
[编辑]XGBoost最初是一个研究项目，由当时在Distributed (Deep) Machine Learning Community (DMLC) 组里的陈天奇负责[8]。它最初作为一个可以由libsvm配置文件进行配置的终端应用程序。在Higgs机器学习挑战中取得胜利后，它开始在机器学习竞赛圈子中被广为人知。不久之后，相应的Python和R的软件包被开发了出来。XGBoost现在也已经为Julia、Scala、Java和其他语言提供了软件包实现。这使得更多的开发者了解了XGBoost，并且让其在Kaggle社区备受欢迎，被广泛用于大量的竞赛[7]。
很快地，XGBoost就与其他多个软件包一起使用，使其更易于在各自的社区中使用。它现在已经与Python用户的scikit-learn以及与R的Caret软件包集成在一起。它还可以使用抽象的Rabit[9]及XGBoost4J集成到诸如Apache Spark、Apache Hadoop和Apache Flink等数据流框架中[10]。XGBoost也可用于FPGAs的OpenCL[11]。陈天奇和Carlos Guestrin发表了一种高效、可扩展的XGBoost实现[12]。
获奖
[编辑]参考文献
[编辑]- ^ GitHub project webpage. [2019-01-09]. （原始内容存档于2021-04-01）.
- ^ Python Package Index PYPI: xgboost. [2016-08-01]. （原始内容存档于2017-08-23）.
- ^ CRAN package xgboost. [2016-08-01]. （原始内容存档于2018-10-26）.
- ^ Julia package listing xgboost. [2016-08-01]. （原始内容存档于2016-08-18）.
- ^ Installing XGBoost for Anaconda in Windows. [2016-08-01]. （原始内容存档于2018-05-08）.
- ^ Installing XGBoost on Mac OSX. [2016-08-01]. （原始内容存档于2018-05-08）.
- ^ 7.0 7.1 XGBoost - ML winning solutions (incomplete list). [2016-08-01]. （原始内容存档于2022-08-08）.
- ^ Story and Lessons behind the evolution of XGBoost. [2016-08-01]. （原始内容存档于2016-08-07）.
- ^ Rabit - Reliable Allreduce and Broadcast Interface. [2016-08-01]. （原始内容存档于2018-06-11）.
- ^ XGBoost4J. [2016-08-01]. （原始内容存档于2018-05-08）.
- ^ XGBoost on FPGAs. [2019-08-01]. （原始内容存档于2020-09-13）.
- ^ Chen, Tianqi; Guestrin, Carlos. Krishnapuram, Balaji; Shah, Mohak; Smola, Alexander J.; Aggarwal, Charu C.; Shen, Dou; Rastogi, Rajeev , 编. 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 (帮助) - ^ John Chambers Award Previous Winners. [2016-08-01]. （原始内容存档于2017-07-31）.
- ^ HEP meets ML Award. [2016-08-01]. （原始内容存档于2018-05-08）.
