به‌روزرسانی‌های ابزار محبوب XGBoost با بهبود یادگیری و و پشتیبانی ازحافظه خارجی از راه رسید.

XGBoost، که در مدیریت مجموعه داده های بزرگ برای یادگیری ماشینی نظارت شده استفاده می شود، در نسخه جدید بهینه تر شده است. منبع باز بودن این ابزار به توسعه دهندگان اجازه می دهد تا پارامترهای مدل های مختلف را برای بهینه سازی عملکرد تنظیم کنند و در زبان های برنامه نویسی مختلف از جمله پایتون، ++C و جاوا کاربرد دارد. به‌روزرسانی‌های XGBoost می‌تواند به کسب‌وکارها کمک کند تا مدل‌های بهتری را روی داده‌های بزرگ‌تر و پیچیده‌تر آموزش دهند. این ابزار به توسعه‌دهندگان ویژگی‌ها و انعطاف‌پذیری جدیدی برای بهبود عملکرد سیستم‌های مورد استفاده برای توصیه‌ها و رتبه‌بندی می‌دهد، به این معنی که برای توسعه‌دهندگانی که سیستم‌هایی را ایجاد می‌کنند تا محصولاتی را به خریداران در تجارت الکترونیک پیشنهاد کند میتواند بسیار مفیذ باشد. در جدیدترین نسخه از این ابزار پشتیبانی از حافظه خارجی، پارامتر بیشتر و پشتیبانی از رگرسیون بهبود داده شده است. همچنین برخی از اشکالات اصلی رفع شده است که مسائل مربوط به تخصیص حافظه GPU را با تقسیم‌های طبقه‌بندی و یک کش جدید پوشش می‌دهد.

XGBoost چیست؟

XGBoost (EXtreme Gradient Boosting) یک سیستم الگوریتمی محبوب است که در آموزش مدل های یادگیری ماشین استفاده می شود. این ابزار از یک چارچوب تقویت‌کننده گرادیان برای ترکیب پیش‌بینی‌های چندین مدل ضعیف برای تولید یک پیش‌بینی قوی‌تر استفاده می‌کند. در واقع شبیه برنامه ریزی از پیش تعیین شده است که بسیار شبیه به فرآیند روش نیوتن رافسون در ریاضیات عمل میکند که روشی است هوشمندانه برای یافتن سریعتر و دقیق‌تر مسیر رسیدن به پاسخ.XGBoost  می تواند به صورت تجاری مورد استفاده قرار گیرد و هم اکنون تحت مجوز Apache 2.0 در دسترس است تا کاربران بتوانند نرم افزار اختصاصی خود را ایجاد کنند و کد مجوز را به مشتریان ارائه دهند. چیزی که XGBoost را در توسعه یادگیری ماشین بسیار محبوب می کند این است که می تواند بر روی یک ماشین واحد یا فریم ورک های پردازش توزیع شده اجرا شود و در چندین بسته و چارچوب های جریان داده مانند scikit-learn برای Python و Apache Spark به صورت یکپارچه مورد استفاده قرار گیرد. این ابزار از ویژگی های مختلفی برای بهبود دقت و افزایش سرعت خود استفاده می کند، مانند تقویت نیوتن و تقویت ساختار درختی موازی با پراکندگی.