pg麻将胡了试玩平台 XGBoost与深度学习到底孰优孰劣?都说XGBoost好用,为什么名气总不如深度学习?
内容简介:XGBoost 和深度学习哪个好哪个差?大家都说XGBoost好用,但为什么它没有深度学习那么出名呢?
本文长1600字pg棋牌,建议阅读3分钟。
本文分析了XGBoost与深度学习的区别,并分享了XGBoost的应用。
AlphaGo与柯洁、李世石大战之后,大家都能聊深度学习了。围棋人工智能的这一突破,归根结底得益于机器学习三大巨头三十年的长期研究。
相比之下,横扫 Kaggle 竞赛的 XGBoost(去年 29 个获胜解决方案中有 17 个使用了 XGBoost)的名气要小得多。更何况,它的创始人只是一个默默无闻的年轻人。
有人说XGBoost比深度学习更重要。这是毫无疑问的。
由于它易于使用,因此在许多情况下更加可靠、灵活和准确;在大多数回归和分类问题上,XGBoost 的实际性能都是一流的。
当然,不买账的人也有很多。
Quora 的一篇文章写道,XGBoost 对于需要高精度的问题确实有优势,而且它的计算特性也非常好。不过,相比于支持向量机、随机森林或者深度学习,XGBoost 的优势并不为过。尤其是当你有足够的训练数据并且能够找到合适的深度神经网络时,深度学习的效果会明显更好。
有用户开玩笑说,XGBoost的名声就在于它的名字。深度学习乍听上去很高端,而XGBoost无论怎么包装,依然充满了书呆子气。
那么,XGBoost的创始人怎么说呢?
XGBoost的发起人陈天奇博士并不认同深度学习和XGBoost是截然对立的。他表示,这两种方法在各自的专业领域表现都非常好:
最后,XGBoost 和深度学习哪个更好?
陈天琪在Quora上的回答如下:
不同的机器学习模型适合不同类型的任务。深度神经网络可以通过对时空位置进行建模来很好地捕获图像、语音和文本等高维数据。基于树模型的XGBoost可以很好地处理表格数据pg娱乐电子游戏,并且还具有深度神经网络所不具备的一些特性(例如模型可解释性、输入数据不变性、更容易的参数调整等)。
这两种类型的模型都很重要,并且在数据科学竞赛和行业中广泛使用。例如,几乎所有使用机器学习技术的公司都在使用tree boosting,而XGBoost就对行业产生了很大的影响。
作为一名机器学习研究员,我一直在使用深度学习和 XGBoost。我相信我们需要充分了解每种模型,并能够选择最适合您当前任务的模型。 XGBoost、深度神经网络等常用的机器学习算法(如因子分解机、逻辑回归分析等)值得每一个机器学习行业从业者的关注。这里没有说一药包治百病。
既然提到XGBoost在业界得到了广泛的应用,那么它到底是什么呢?
XGBoost 实际用例的不完整列表
dmlc/xgboost ( #usecases )
说完了XGBoost的应用范围,我们再来客观地谈谈XGBoost的性能。说到性能,就不得不提它的一个突出特点——运行速度非常快。
XGBoost 运行速度快
至于为什么这么快,有人说C++和并行计算是主要原因,而陈天奇则开门见山地说,性能本来就是XGBoost最初的设计目标:
例如:
另外,性能不仅仅意味着速度的提升,你仍然可以在资源有限的大数据集上使用这个算法:
原文链接:
#用例
为了保证出版质量、树立声誉,Datapai设立了“错别字基金”,鼓励读者积极改正错误。
如果您在阅读文章时发现任何错误,请在文末留言或后台反馈。经编辑确认后,数据拍将向举报读者发送8.8元红包。
如果同一位读者指出同一篇文章中的多个错误,奖金将保持不变。如果不同的读者指出相同的错误,第一个读者将获得奖励。
感谢您一直以来的关注和支持。希望大家能够监督数据,产出更多优质内容。
以上就是小编给大家介绍的《XGBoost和深度学习哪个好还是差?》大家都说XGBoost好用pg电子赏金试玩app,但为什么它没有深度学习那么出名呢? 》,希望对您有所帮助。如果您有任何疑问,请给我留言,编辑会及时回复您。也感谢大家对麻农网的支持!
我要评论