Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

XGBoost

Engels: XGBoost · Ook wel: extreme gradient boosting, XGB

In het kort

XGBoost is een open source softwarebibliotheek voor machine learning die voorspellingen leert met beslisbomen. Het programma stapelt eenvoudige beslisbomen, zodat elke volgende boom de resterende fouten verkleint en extra beperkingen een te sterke aanpassing aan de trainingsgegevens tegengaan. Gebruikers passen die bomen in meerdere programmeertalen toe om uit voorbeelden een getal of een categorie te voorspellen, zoals of een aanvraag wordt goedgekeurd.

Waarom is dit belangrijk?

Onderzoekers kunnen met XGBoost inschatten hoe groot de kans is op een medisch risico of een behandeluitkomst. In de zorg gebruiken teams het bij de ontwikkeling van geneesmiddelen, bijvoorbeeld om te schatten of een ziekte verergert of een behandeling aanslaat. Patiënten en zorgverleners kunnen daardoor eerder een inschatting krijgen van het ziekteverloop, maar een foute voorspelling kan een behandelkeuze beïnvloeden.

Zo werkt het in de praktijk

Teams gebruiken XGBoost in wedstrijden voor machine learning. De bibliotheek zat in de winnende oplossing van de Higgs Machine Learning Challenge. Deelnemers moesten gebeurtenissen indelen als verval van een Higgs-deeltje of als achtergrond.

XGBoost begon als onderzoeksproject van Tianqi Chen aan de University of Washington. Chen en Carlos Guestrin beschreven een systeem dat het rekenwerk over machines verdeelt. Dat systeem verwerkt meer dan een miljard voorbeelden.

Analisten koppelen XGBoost aan software die zij al gebruiken. In Python sluit het aan op scikit-learn, een pakket om modellen te bouwen, en in R op caret. Via XGBoost4J draait het ook op Apache Spark, Hadoop en Flink.

Bron: en.wikipedia.org

Gecontroleerd op 5 november 2026