gradient-boosting

あらゆる機械学習モデルの出力を説明するためのゲーム理論的アプローチ。

決定木アルゴリズムに基づいた高速で分散化された高性能な勾配ブースティング（GBT, GBDT, GBRT, GBMまたはMART）フレームワーク。ランキング、分類、およびその他の多くの機械学習タスクに使用されます。

遺伝的プログラミングを使用して機械学習パイプラインを最適化するPythonの自動機械学習ツール。

Python、R、Java、C++向けの、ランキング、分類、回帰などの機械学習タスクに使用される、高速でスケーラブルな高パフォーマンスなGradient Boosting on Decision Treesライブラリ。CPUおよびGPUでの計算をサポート。

解釈可能なモデルを適合させる。ブラックボックス機械学習を説明する。

決定木、分類木、回帰木に関する研究論文と実装のコレクション

確率予測のための自然勾配ブースティング

不正検知に関するデータマイニング論文のキュレーションリスト

実装付きのgradient boostingに関する研究論文の厳選リスト。

ディープラーニングモデルの性能とロバスト性を向上させるための、PyTorch向け統合アンサンブルフレームワーク。

複雑なチューニングなしで単一の実行で最適な精度を実現する、高性能な勾配ブースティングマシン。因果ML、継続学習、ネイティブキャリブレーション、堅牢なドリフト監視をデフォルトでサポートし、RustのコアとPythonおよびR向けのゼロコピーバインディングを備えています

Keras における Decision Forest モデルのトレーニング、サービング、解釈のための最先端アルゴリズム集

古典的な ML モデル向けの Ollama。XGBoost、LightGBM、scikit-learn、CatBoost、ONNX モデルをネイティブの C99 推論コードに変換する AOT コンパイラ。1 つのコマンドでロードし、1 つのコマンドでサーブする。Python 推論より 336 倍高速。

ランダムフォレストや勾配ブースティング木などの決定木モデルのトレーニング、評価、解釈、本番運用を行うためのライブラリ