dmlc/xgboost

# eXtreme Gradient Boosting [](https://github.com/dmlc/xgboost/actions) [](https://xgboost.readthedocs.org) [](./LICENSE) [](https://cran.r-project.org/web/packages/xgboost) [](https://pypi.python.org/pypi/xgboost/) [](https://anaconda.org/conda-forge/py-xgboost) [](https://optuna.org) [](https://twitter.com/XGBoostProject) [](https://api.securityscorecards.dev/projects/github.com/dmlc/xgboost) [](https://colab.research.google.com/github/comet-ml/comet-examples/blob/master/integrations/model-training/xgboost/notebooks/how_to_use_comet_with_xgboost_tutorial.ipynb) [社区](https://xgboost.ai/community) | [文档](https://xgboost.readthedocs.org) | [资源](demo/README.md) | [贡献者](CONTRIBUTORS.md) | [发布说明](https://xgboost.readthedocs.io/en/latest/changes/index.html) XGBoost 是一个优化的分布式梯度提升库，旨在实现高度***高效***、***灵活***和***可移植***。 它在 [Gradient Boosting](https://en.wikipedia.org/wiki/Gradient_boosting) 框架下实现了机器学习算法。 XGBoost 提供了一种并行树提升（也称为 GBDT, GBM），能够以快速且准确的方式解决许多数据科学问题。 相同的代码可以在主要的分布式环境（Kubernetes, Hadoop, SGE, Dask, Spark, PySpark）上运行，并且可以解决超过数十亿样本的问题。 ## 许可证 © 贡献者，2021。根据 [Apache-2](https://github.com/dmlc/xgboost/blob/master/LICENSE) 许可证授权。 ## 参考文献 - Tianqi Chen and Carlos Guestrin. [XGBoost: A Scalable Tree Boosting System](https://arxiv.org/abs/1603.02754). In 22nd SIGKDD Conference on Knowledge Discovery and Data Mining, 2016 - XGBoost 源于华盛顿大学的一个研究项目。 ### 支持者 [[成为支持者](https://opencollective.com/xgboost#backer)]

标签：Apex, C++, Dask, DataFlow, Flink, GBDT, GBRT, Hadoop, JS文件枚举, Kaggle, Python, R语言, Scala, Spark, Vectored Exception Handling, XGBoost, 决策树, 分布式计算, 分类算法, 回归分析, 大数据, 子域名突变, 开源库, 异常处理, 搜索引擎爬虫, 数据擦除, 数据科学, 无后门, 机器学习, 梯度提升, 特征工程, 监督学习, 目录扫描, 资源验证, 逆向工具, 集成学习, 预测模型, 高性能计算