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.




