본문으로 건너뛰기
AI Trends
피드
트렌딩
커뮤니티
탐색
보관함
로그인
홈
트렌딩
커뮤니티
보관함
프로필
관련 기사 바로가기
서로 다른 규칙 체계의 대결을 예측하기 위해 XGBoost와 LLM 라벨러를 결합한 전체 스택 파이프라인 공개
제스처 분류 모델 최적화 워크플로 공유. 이 글은 동적 JSON에서 중요도 0인 특성을 자동으로 제거하고 성능 지표 기반으로 모델을 개선해나가는 실전 흐름을 다루고 있다. 작성자는 혼동 행렬과 F1 점수 분석을 통해 취약 클래스를 식별한 뒤 XGBoost, LightGBM, Random Forest를 소프트 보팅으로 결합해 F1 0.898 이상을 목표로 삼았다.
배터리 SOH 예측에서 하모닉 접기·557차원 기술자와 CPU 기반 트리로 MAE 0.0114 달성, 코드 공개
XGBoost를 활용한 UFC 경기 결과 예측 모델 구축 사례
가나 코코아 산업의 아동 노동 예측을 위한 해석 가능한 머신러닝 및 혼합 데이터셋 활용
파이썬 기반 신용 리스크 모델링 파이프라인 검토 요청
2026년 금융 AI의 부상하는 패턴: 파운데이션 모델부터 컴플라이언스 코드화까지
Kaggle March Machine Learning Mania 2023 우승 솔루션 분석
글쓰기 과정과 품질의 연결: Kaggle 경진대회 우승 솔루션 분석
XGBoost 및 LightGBM을 위한 진화적 하이퍼파라미터 최적화 도구 'Heosphoros' 공개
Screening Is Enough 논문을 GBDT에 적용한 새로운 라이브러리 ibu-boost 공개
TRACER: 정식 교사 합의 보장을 통한 LLM 분류 비용 최적화 라이브러리
시계열 분석 vs 표준 머신러닝: 주요 차이점, 유스케이스 및 실전 예제
더 정확한 예측 모델을 위한 7가지 XGBoost 트릭
정형 데이터 ML 작업을 위한 임베딩 활용법 10가지
Enefit - 프로슈머 에너지 행동 예측 경진대회 1위 솔루션
← 피드로 돌아가기
XGBoost
Libraries (AI 라이브러리)
약 34개 아티클
관련 태그:
Best Practice
SHAP (Sparse Hierarchical Attention Pattern)
Kaggle
LightGBM
Random Forest
RAPIDS
scikit-learn
Feature Engineering
GBDT
Optuna
