XGBoost 2.0：高效工具，助力於在複雜數據集上訓練優越的人工智慧模型

Home AI新聞 XGBoost 2.0：高效工具，助力於在複雜數據集上訓練優越的人工智慧模型

XGBoost 2.0：以強大新功能改變機器學習

最新版本的 XGBoost 2.0 代表著監督學習領域的一次重大進步，特別是在處理大型數據集方面。這款開源工具使開發者能夠精確調整各種模型參數，提升在 Python、C++ 和 Java 等多個編程語言中的整體性能。憑藉這些強大的更新，企業能夠訓練出高效的模型，巧妙地管理更大型和更複雜的數據集。

XGBoost 特別適合從事電子商務的開發者，因為它增強了生成個性化推薦和排名系統的能力。此版本的新功能包括改善的外部記憶體支持、新的統一設備參數，以及量化回歸功能，使其在數據分析的創新領域中具備更大的應用潛力。

此外，針對與類別分割相關的 GPU 記憶體配置問題，進行了重要的錯誤修正，並引入了一個線程安全的快取，利用不同的線程進行垃圾回收，確保操作更流暢並提高可靠性。

了解 XGBoost

XGBoost，即極限梯度提升（eXtreme Gradient Boosting），是一種廣泛使用的算法，擅長訓練機器學習模型。它利用梯度提升技術，結合多個弱模型的預測，以生成更準確和穩健的最終預測。舉例來說，想像在山坡上行走：XGBoost 像數學方法牛頓-拉夫森（Newton-Raphson）一樣，隨著每一步巧妙評估未來的陡峭度，迅速找到到達底部的最佳路徑。

這款工具具有商業可行性，按照 Apache 2.0 許可證發布，使用者可以在集成授權代碼的同時開發專有軟體。其普遍受歡迎的原因在於其靈活性；無論是在單一機器還是在分布式處理環境中，它都能高效運行，並與如 scikit-learn 和 Apache Spark 等多個套件無縫整合。

值得注意的是，XGBoost 具備多項先進特性，包括牛頓提升和並行樹結構提升，顯著提高準確性和處理速度。

XGBoost 2.0 的激動人心的更新

最新版本帶來了一系列增強功能，旨在簡化用戶體驗：

- 統一設備參數：開發者消除了舊有的 CPU 和 GPU 特定參數，取而代之以一個統一的參數以涵蓋所有過程。

- 量化回歸支持：XGBoost 現在可以最小化量化損失，亦即「彈珠損失」，這讓其在特定回歸任務中變得無價。

- 排序學習實現：新功能針對排序學習任務，對於優化搜索系統或具新聞推送功能的應用至關重要。

- 基於 GPU 的近似樹方法：引入 GPU 上的近似樹方法以提升計算效率。

- 增強的外部記憶體支持：此次更新顯著提升了基於外部記憶體/磁碟的訓練性能和記憶體利用率，減少 CPU 負載。

- 新的 PySpark 介面功能：更新內容現在包括對基於 GPU 的預測支持、改進的訓練日誌以及增強的 Python 類型支持。

- 聯邦學習支持：2.0 版本引入了垂直聯邦學習支持，方便進行協作模型訓練，而無需共享敏感資料。

- 割值導出：用戶現在可以使用 Python 或 C 套件導出歷史樹方法的量化值。