XGBoost. Az extrém gradiens fokozás bányászati alkalmazásokhoz

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 3 olvasói szavazat alapján történt.

Eredeti címe:

XGBoost. The Extreme Gradient Boosting for Mining Applications

Könyv tartalma:

Technikai jelentés a 2017-es évfolyamról a következő tárgyból: Informatika - Internet, új technológiák, osztályzat: 8, nyelv: Az adatvezérelt modellezéshez empirikusan bizonyítottan rendkívül hatékony és sokoldalú megközelítésnek bizonyult a tree boosting. A központi érv az, hogy a tree boosting adaptívan képes meghatározni a modell helyi szomszédságait, ezáltal figyelembe véve a torzítás-variáció kompromisszumot a modellillesztés során.

A közelmúltban az XGBoost néven ismert fa boosting módszer népszerűvé vált, mivel nagyobb pontosságot biztosít. Az XGBoost továbbá bevezet néhány olyan fejlesztést, amelyek lehetővé teszik, hogy még körültekintőbben kezelje a torzítás-eltérés kompromisszumot. Ebben a kutatási munkában egy adaptív eljárás, azaz a Learned Loss (LL) használatát javasoljuk bemutatni a veszteségfüggvény frissítésére a boosting előrehaladtával.

A javasolt algoritmus, azaz az XGBoost és a Learned Loss boosting függvény pontosságát teszt/train módszerrel, K-szeres keresztérvényesítéssel és rétegzett keresztérvényesítési módszerrel értékeljük, és összehasonlítjuk a legmodernebb algoritmusokkal, azaz az XGBoost, AdaBoost, AdaBoost-NN, Lineáris regresszió (LR), Neurális Hálózat (NN), Döntésfa (DT), Támogató Vektor Gép (SVM), Bagging-DT, Bagging-NN és Random Forest algoritmusokkal.

Az értékelt paraméterek a pontosság, az 1. típusú hiba és a 2.

típusú hiba (százalékban). Ez a tanulmány két nagy volumenű tőzsdeindex, a CNX Nifty és az S&P BSE Sensex tízéves múltbeli adatait használja 2007 januárjától 2017 augusztusáig. Továbbá ebben a kutatási munkában azt vizsgáljuk, hogy az XGBoost miben különbözik a hagyományosabb ensemble technikáktól.

Ezen túlmenően tárgyalni fogjuk az e módszerek által kínált regularizációs technikákat és ezek hatását a modellekre. Mindezek mellett megpróbálunk választ adni arra a kérdésre is, hogy miért tűnik úgy, hogy az XGBoost olyan sok versenyt megnyer. Ehhez néhány érvet fogunk felsorolni arra vonatkozóan, hogy miért tűnik a fa boosting, és különösen az XGBoost, ilyen rendkívül hatékony és sokoldalú megközelítésnek t.