Windows10下用cmake编译好的xgboost.dll（600多MB） 编译及使用环境： VS2017 CUDA 11.3 Python 3.7 XGBoost 1.5.0.dev0 友情提示：非以上环境，不一定能用哦！！！ 进入到python-package目录下，执行python setup.py install命令进行安装。

00_随机森林案例一：宫颈癌预测. 01. Bagging&Boosting算法应用在回归模型中 02_Adaboost案例一：Adaboost分类算法 03_Adaboost案例二：Adaboost API algorithm参数取值比较

行业分类-物理装置-基于改进XGBoost的泛癌症基因通路预测方法、系统和存储介质.zip

学生考试 使用XGBoost回归模型预测学生的写作成绩

为解决气体红外光谱识别问题,引入提升算法中较新的研究成果——极端梯度提升(XGBoost)算法。选用实测的三氯甲烷、对二甲苯、四氯乙烯气体的红外光谱数据进行实验。首先在对原始数据进行预处理后,通过特征工程提取光谱特征,生成特征向量;然后建立XGBoost模型,并对模型参数进行调优;最后基于分类准确率指标,将所提模型与随机森林(RF)、支持向量机(SVM)、前馈神经网络(FNN)、卷积神经网络(CNN)模型进行对比。实验结果表明,XGBoost在气体红外光谱识别领域有着广阔的应用前景。

陈天奇博士xgboost讲义

基于餐饮评论数据的情感分析（主要涉及到短文分类，分别使用朴素贝叶斯、支持向量机、Xgboost 进行情感值的二分类） 本文主要通过情感分析来挖掘评论中有价值的信息。 获取所研究数据，即大众点评餐饮评论数据，通过分词去除停用词、词性标注等操作进行数据预处理，然后通过机器学习的方法来分析餐饮评论的情感极性，来进一步挖掘评论中有价值的信息。 使用python的结巴分词工具对中文文本进行分词。可用TF-IDF、词袋方法提取文本数据的特征。然后使用机器学习的方法进行文本分类，可以运用朴素贝叶斯（NB）、支持向量机（SVM）、随机森林等算法。查询了资料，考虑了速度、容错性、变量筛选能力、共性容忍度等因素，初步设想选用SVM算法。 ===》SVM算法优于NB 优于随机森林

XGBoost With Python Discover The Algorithm That Is Winning Machine Learning Competitions by Jason Brownlee 30 step-by-step lessons, 115 pages. XGBoost 是常规数据预测建模的主要技术。 梯度提升算法是各种预测建模问题的最高技术，XGBoost 是实施速度最快的算法。当被问及时，世界上最好的机器学习竞争对手建议使用XGBoost。 在这部以您习惯的友好机器学习掌握风格编写的新电子书中，确切地学习如何开始，并将 XGBoost 带到您自己的机器学习项目中。

使用方式参见： https://season.blog.csdn.net/article/details/118196915

预测常规赛MVP数据集，主要包含：13-14、14-15、15-16、16-17、17-18、19-20六个赛季的数据