內容簡介：XGBoost 和深度學習哪個好哪個差？大家都說XGBoost好用，但為什么它沒有深度學習那么出名呢？

本文長1600字pg棋牌，建議閱讀3分鐘。

本文分析了XGBoost與深度學習的區(qū)別，并分享了XGBoost的應用。

AlphaGo與柯潔、李世石大戰(zhàn)之后，大家都能聊深度學習了。圍棋人工智能的這一突破，歸根結底得益于機器學習三大巨頭三十年的長期研究。

相比之下，橫掃 Kaggle 競賽的 XGBoost（去年 29 個獲勝解決方案中有 17 個使用了 XGBoost）的名氣要小得多。更何況，它的創(chuàng)始人只是一個默默無聞的年輕人。

有人說XGBoost比深度學習更重要。這是毫無疑問的。

由于它易于使用，因此在許多情況下更加可靠、靈活和準確；在大多數回歸和分類問題上，XGBoost 的實際性能都是一流的。

當然，不買賬的人也有很多。

Quora 的一篇文章寫道，XGBoost 對于需要高精度的問題確實有優(yōu)勢，而且它的計算特性也非常好。不過，相比于支持向量機、隨機森林或者深度學習，XGBoost 的優(yōu)勢并不為過。尤其是當你有足夠的訓練數據并且能夠找到合適的深度神經網絡時，深度學習的效果會明顯更好。

有用戶開玩笑說，XGBoost的名聲就在于它的名字。深度學習乍聽上去很高端，而XGBoost無論怎么包裝，依然充滿了書呆子氣。

那么，XGBoost的創(chuàng)始人怎么說呢？

XGBoost的發(fā)起人陳天奇博士并不認同深度學習和XGBoost是截然對立的。他表示，這兩種方法在各自的專業(yè)領域表現都非常好：

最后，XGBoost 和深度學習哪個更好？

陳天琪在Quora上的回答如下：

不同的機器學習模型適合不同類型的任務。深度神經網絡可以通過對時空位置進行建模來很好地捕獲圖像、語音和文本等高維數據?；跇淠Ｐ偷腦GBoost可以很好地處理表格數據pg娛樂電子游戲，并且還具有深度神經網絡所不具備的一些特性（例如模型可解釋性、輸入數據不變性、更容易的參數調整等）。

這兩種類型的模型都很重要，并且在數據科學競賽和行業(yè)中廣泛使用。例如，幾乎所有使用機器學習技術的公司都在使用tree boosting，而XGBoost就對行業(yè)產生了很大的影響。

作為一名機器學習研究員，我一直在使用深度學習和 XGBoost。我相信我們需要充分了解每種模型，并能夠選擇最適合您當前任務的模型。 XGBoost、深度神經網絡等常用的機器學習算法（如因子分解機、邏輯回歸分析等）值得每一個機器學習行業(yè)從業(yè)者的關注。這里沒有說一藥包治百病。

既然提到XGBoost在業(yè)界得到了廣泛的應用，那么它到底是什么呢？

XGBoost 實際用例的不完整列表

dmlc/xgboost ( #usecases )

說完了XGBoost的應用范圍，我們再來客觀地談談XGBoost的性能。說到性能，就不得不提它的一個突出特點——運行速度非?？?。

XGBoost 運行速度快

至于為什么這么快，有人說C++和并行計算是主要原因，而陳天奇則開門見山地說，性能本來就是XGBoost最初的設計目標：

例如：

另外，性能不僅僅意味著速度的提升，你仍然可以在資源有限的大數據集上使用這個算法：

原文鏈接：

#用例

為了保證出版質量、樹立聲譽，Datapai設立了“錯別字基金”，鼓勵讀者積極改正錯誤。

如果您在閱讀文章時發(fā)現任何錯誤，請在文末留言或后臺反饋。經編輯確認后，數據拍將向舉報讀者發(fā)送8.8元紅包。

如果同一位讀者指出同一篇文章中的多個錯誤，獎金將保持不變。如果不同的讀者指出相同的錯誤，第一個讀者將獲得獎勵。

感謝您一直以來的關注和支持。希望大家能夠監(jiān)督數據，產出更多優(yōu)質內容。

以上就是小編給大家介紹的《XGBoost和深度學習哪個好還是差？》大家都說XGBoost好用pg電子賞金試玩app，但為什么它沒有深度學習那么出名呢？ 》，希望對您有所幫助。如果您有任何疑問，請給我留言，編輯會及時回復您。也感謝大家對麻農網的支持！