摘要:本文主要向大家介绍了机器学习入门之XGBoost VS 深度学习,通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助。
本文主要向大家介绍了机器学习入门之XGBoost VS 深度学习,通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助。
观点2:针对非常要求准确度的那些问题,XGBoost确实很有优势,同时它的计算特性也很不错。然而,相对于支持向量机、随机森林或深度学习,XGBoost的优势倒也没到那种夸张的程度。特别是当你拥有足够的训练数据,并能找到合适的深度神经网络时,深度学习的效果就明显能好上一大截。
观点3:深度学习和XGBoost并不截然对立(XGBoost发起人-陈天奇博士)。两种方法在其各自擅长领域的性能表现都非常好:
XGBoost专注于模型的可解释性,而基于人工神经网络的深度学习,则更关注模型的准确度。
XGBoost更适用于变量数较少的表格数据,而深度学习则更适用于图像或其他拥有海量变量的数据。
不同的机器学习模型适用于不同类型的任务:
深度神经网络通过对时空位置建模,能够很好地捕获图像、语音、文本等高维数据。
基于树模型的XGBoost则能很好地处理表格数据,同时还拥有一些深度神经网络所没有的特性(如:模型的可解释性、输入数据的不变性、更易于调参等)。
这两类模型都很重要,并广泛用于数据科学竞赛和工业界。我们需要全面理解每一种模型,并能选出最适合你当前任务的那个。XGBoost、深度神经网络与其他经常要用的机器学习算法(如因子分解机、logistic回归分析等),值得机器学习行业的每一位从业者关注。这里没有一药能解百病的说法。
XGBoost性能:
1)运行很快:
1.内存优化,大部分的内存分配在第一次加载中就完成了,之后便不再涉及动态内存分配的问题;
2.缓存线优化,训练模式尽可能善用缓存机制;
3.模型自身的改善,我们开发出模型的各种变体,从而令算法本身更具强健性、更加准确 - Introduction to Boosted Trees(//xgboost.readthedocs.org/en/latest/model.html);
4.C++和并行计算。
2)在资源有限情况下仍能适用于大型数据集:
1.不断探索该工具的极限,以最大限度地利用计算资源,使得在在一个节点上就能运行多个实例;
2.使用扩展内存的版本,允许数据存在硬盘上,不必把所有数据导入内存;
3.分布式版本对XGBoost的每一个节点都进行过优化,可以有效地在更少节点上处理更大的数据集。
本文由职坐标整理并发布,希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道!
您输入的评论内容中包含违禁敏感词
我知道了
请输入正确的手机号码
请输入正确的验证码
您今天的短信下发次数太多了,明天再试试吧!
我们会在第一时间安排职业规划师联系您!
您也可以联系我们的职业规划师咨询:
版权所有 职坐标-一站式IT培训就业服务领导者 沪ICP备13042190号-4
上海海同信息科技有限公司 Copyright ©2015 www.zhizuobiao.com,All Rights Reserved.
沪公网安备 31011502005948号