dmlc/xgboost

解決的問題

XGBoost 解決了使用梯度提升方法快速、準確且可擴展地解決資料科學問題的需求。它提供了一個系統，能夠處理龐大的資料集（可能超過數十億個樣本），同時在不同運算環境中保持高效且可移植。

工作原理

XGBoost 在梯度提升框架內實現機器學習演算法，特別是提供平行樹提升（也稱為 GBDT 或 GBM）。這種方法使該程式庫能夠分布在 Kubernetes、Hadoop、SGE、Dask、Spark 和 PySpark 等各種環境中。

適用對象

專為需要在大規模資料上訓練模型，且在部署環境中需要高性能量與彈性之資料科學家與機器學習工程師設計。

主要亮點

• 平行樹提升，實現快速且準確的結果。
• 支援 Kubernetes、Hadoop、SGE、Dask、Spark 和 PySpark 的分散式運算。
• 可處理包含數十億個樣本的資料集。
• 面向效率、彈性與可移植性進行最佳化。