XGBoost.jl Julia的极限梯度提升 抽象的 该软件包是的Julia接口。 它是分布式梯度提升框架的高效且可扩展的实现。 该软件包包括高效的线性模型求解器和树学习算法。 该库使用OpenMP进行了并行化，它可以比某些现有的梯度增强软件包快10倍以上。 它支持各种目标函数，包括回归，分类和排名。 该软件包还具有可扩展性，因此用户也可以轻松定义自己的目标。 特征 稀疏的特征格式，可以轻松处理缺失值并提高计算效率。 高级功能，例如自定义损失功能，交叉验证，请参阅以获取演练示例。 安装 ] add XGBoost 或者 ] develop " https://github.com/dmlc/XGBoost.jl.git " ] build XGBoost 默认情况下，该软件包在Linux，MacOS和Windows上为XGBoost v0.82.0安装预构建的二进制文件。 只有L

Nyc-Taxi-Kaggle-挑战 目标 Kaggle竞赛预测纽约出租车的行驶时间。 该项目的报告在capstone.pdf。 （在这个项目中，我提供了许多链接，如果您是初学者，可以通过这些链接来弄清楚您的概念，如果不理解的话，可以通过project和readme中提供的链接和pdf来了解。） 问题陈述 在本报告中，我们使用来自纽约市出租车和高级轿车委员会的数据来考察Kaggle竞赛，该竞赛要求竞争对手预测纽约市出租车旅行的总行驶时间（trip_duration）。 Kaggle提供的数据是作为CSV文件提供的结构化数据。 CSV文件中的数据包括多种格式：时间戳，文本和数字数据。 这是回归分析，因为输出（总行驶时间）是数字。 我将使用几种机器学习方法来完成预测任务，这些方法是线性回归，k最近邻回归，随机森林和XGBoost。 将使用均方根对数误差对模型进行评估。 总览 我使用Jupyter_Notebook在dekstop上执行此项目，并且在使用python的远程服务器上也无需使用Jupyter_notebook来执行。 软件和库 Python 3 Scikit-learn：Pyt

提供在Spark上跑Xgboost模型需要的 Jar包及Python接口文件

关于xgboost的代码，可以跑起来。实现了分类关于xgboost的代码，可以跑起来。实现了分类

xgboost算法scala jar包

xgboost算法scala jar包

ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost

机器学习与算法源代码10： 机器学习神器：XGBoost&LightGBM模型.zip

weka-xgboost 此软件包需要在系统中。 该软件包与Weka> = 3.9.1兼容 它可以作为非官方软件包安装在Weka中（您可以从下载预构建软件包）。 可从Weka GUIChooser的“工具”菜单中获得GUI软件包管理器。 您可以通过选择右侧“非官方”框中的zip文件来安装软件包。 然后，Xgboost分类器应出现在weka资源管理器的“树”子菜单下。

回归预测 | MATLAB实现XGBoost多输入单输出（完整源码和数据） 多输入单输出，运行环境MATLAB2018b及以上。