Машинное обучение началось с того, что появились данные, собранные людьми, и стояла задача проанализировать данные и сделать предсказание, как эти данные могут повести себя в будущем. Это общая формулировка, а теперь давайте попробуем конкретизировать. Первый известный пример, машинного обучения – это классификация известным математиком биологом Рональдом Фишером цветов ирисов. Что же он пытался сделать? У него были собраны данные более чем сто ирисов трех различных видов и каждому ирису соответствовал...

XGBoost — это opensource-библиотека, обеспечивающая высокопроизводительную реализацию Деревьев решений (Decision Tree). В этой статье узнаем, как работает Градиентный бустинг (GB), а затем рассмотрим пример на Python. В обычном Машинном обучении (ML), таком как дерево решений, мы просто обучаем Модель (Model) на наборе данных и используем ее для прогнозирования: Мы можем немного поэкспериментировать с параметрами или дополнить данные, но в итоге мы по-прежнему используем ту же модель. Даже если мы строим Ансамбль (Ensemble) – комбинацию моделей, все модели обучаются по отдельности...