Komponenta XGBoost Tree© je rozšířenou implementací gradientu stimulující algoritmus se stromovým modelem jako základním modelem. Posilovací algoritmy iterativně učí slabé klasifikátory a pak je přidávají do konečného silného klasifikátoru. Strom XGBoost je velmi flexibilní a poskytuje mnoho parametrů, které mohou být pro většinu uživatelů ohromující, takže uzel stromu XGBoost v produktu Watson Studio odkrývá základní funkce a běžně používané parametry. Uzel je implementován v Python.

Další informace o zesilovacích algoritmech najdete v tématu Výukové programy XGBoost. ¹

Všimněte si, že funkce křížového ověření XGBoost není podporována v produktu Watson Studio. Pro tuto funkci můžete použít uzel oblasti. Všimněte si také, že funkce XGBoost v produktu Watson Studio automaticky provádí jednorázové kódování pro kategoriální proměnné.

¹ "Výukové programy XGBoost." Rozšiřitelný a flexibilní přechod na přechod. Web. © 2015-2016 DMLC.