<img src="https://yellow-cdn.veclightyear.com/835a84d5/25b8e2cf-46f4-4bb8-8274-362fe651b0b2.png" width=200/> 极限梯度提升

社区 | 文档 | 资源 | 贡献者 | 发布说明

XGBoost 是一个优化的分布式梯度提升库，旨在高度高效、灵活和可移植。 它在梯度提升框架下实现机器学习算法。 XGBoost 提供并行树提升（也称为 GBDT、GBM），能够快速准确地解决许多数据科学问题。 同样的代码可在主要的分布式环境（Kubernetes、Hadoop、SGE、Dask、Spark、PySpark）上运行，并可解决超过数十亿个样本的问题。

许可证

© 贡献者，2021。根据 Apache-2 许可证授权。

为 XGBoost 做贡献

XGBoost 由一群活跃的社区成员开发和使用。您的帮助对于让这个软件包变得更好对每个人都非常有价值。 查看社区页面。

参考文献

• Tianqi Chen 和 Carlos Guestrin。XGBoost：一个可扩展的树提升系统。发表于第 22 届 SIGKDD 知识发现与数据挖掘会议，2016 年
• XGBoost 源于华盛顿大学的研究项目。

赞助商

成为赞助商并在此处获得徽标。详情请见 赞助 XGBoost 项目。这些资金用于抵消持续集成和测试基础设施的成本 (https://xgboost-ci.net)。

开源集体赞助商

赞助商

[成为赞助商]

<a href="https://www.nvidia.com/en-us/" target="_blank"><img src="https://yellow-cdn.veclightyear.com/835a84d5/04853f4a-60b3-4cae-9364-52865f876861.jpg" alt="NVIDIA" width="72" height="72"></a> <a href="https://www.intel.com/" target="_blank"><img src="https://yellow-cdn.veclightyear.com/835a84d5/fa97e231-ca47-4f51-af75-29778153a9ff.png" width="72" height="72"></a> <a href="https://www.comet.com/site/?utm_source=xgboost&utm_medium=github&utm_content=readme" target="_blank"><img src="https://yellow-cdn.veclightyear.com/835a84d5/3280f9c6-fb11-477d-9521-56523f043988.png" height="72"></a>

支持者

[成为支持者]

<a href="https://opencollective.com/xgboost#backers" target="_blank"><img src="https://yellow-cdn.veclightyear.com/835a84d5/9b0a7f67-27f6-49ca-8dc1-9405f71349bd.svg?width=890"></a>