Чем XGBoost/LightGBM лучше Random Forest для табличных данных?

Варианты ответа

• Gradient boosting строит деревья последовательно, каждое исправляет ошибки предыдущих. Обычно точнее Random Forest, поддерживает missing values, имеет встроенную регуляризацию
• XGBoost всегда строго точнее Random Forest на любых табличных задачах по определению — это следует из того, что boosting по своей природе превосходит bagging
• Random Forest разработан для работы только с изображениями и текстом через sklearn pipelines, а для классических табличных данных требуется использовать XGBoost или LightGBM
• XGBoost всегда обучается быстрее любого другого алгоритма — благодаря оптимизированной имплементации на C++ и hardware-ускорению через GPU для любого типа данных

Разбор ответа

Получить доступ к ответам — все вопросы →

Похожие вопросы из категории «ML»

• Как диагностировать переобучение модели и какие приёмы помогают его предотвратить?
• Перечислите основные способы регуляризации и объясните, когда применять каждый.
• Объясните разницу между precision и recall.
• Как выбрать между ROC-AUC и PR-AUC для оценки модели классификации?
• В чём принцип градиентного бустинга и почему он так популярен в продуктовой аналитике?