<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>xgboost &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/xgboost/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 19 Mar 2026 21:27:51 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>xgboost &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Прогнозирование динамики фьючерсов с XGBoost</title>
		<link>https://mlgu.ru/6954/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 19 Mar 2026 20:53:35 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[фьючерсы]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6954</guid>

					<description><![CDATA[Градиентный бустинг XGBoost занял устойчивое место в арсенале квант-аналитиков не случайно. На табличных данных с нелинейными зависимостями он стабильно превосходит линейные модели, а по скорости обучения и интерпретируемости выигрывает у нейросетей. Фьючерсные данные — именно тот тип данных, где эти преимущества реализуются в полной мере: высокая размерность признаков, нелинейные взаимодействия между ними, шум, превышающий сигнал [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Градиентный бустинг: концепция и механизм работы</title>
		<link>https://mlgu.ru/6683/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 29 Nov 2025 09:15:13 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[catboost]]></category>
		<category><![CDATA[gbm]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6683</guid>

					<description><![CDATA[Градиентный бустинг относится к семейству ансамблевых методов машинного обучения, где финальное предсказание формируется как взвешенная сумма предсказаний множества слабых моделей. Ключевое отличие от других ансамблевых подходов — последовательное обучение, при котором каждая новая модель корректирует ошибки предыдущих. Алгоритм строит композицию из простых моделей (чаще всего деревьев решений малой глубины), добавляя их итеративно и минимизируя функцию [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Важность признаков полученных из ML-моделей (Feature Importance)</title>
		<link>https://mlgu.ru/5322/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 14 Oct 2025 09:40:11 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[lightgbm]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[методы оценки]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5322</guid>

					<description><![CDATA[Важность признаков (Feature Importance) &#8212; инструмент для понимания того, какие переменные вносят наибольший вклад в предсказания модели. Методы оценки важности признаков решают несколько практических задач: отбор релевантных предикторов, детекцию утечек данных, снижение размерности для ускорения инференса. Выбор метода зависит от типа модели, структуры данных и требований к интерпретируемости. Разные подходы к оценке важности дают разные [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Настройки градиентного бустинга. Гиперпараметры бустинговых ML-моделей</title>
		<link>https://mlgu.ru/4445/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 10 Sep 2025 10:54:44 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[catboost]]></category>
		<category><![CDATA[lightgbm]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4445</guid>

					<description><![CDATA[Градиентный бустинг занимает особое место в арсенале финансовых аналитиков. В отличие от примитивных методов вроде линейной регрессии или банальных индикаторов технического анализа, бустинговые алгоритмы способны улавливать сложные нелинейные зависимости в данных, что особенно важно при работе с финансовыми временными рядами. Однако их эффективность напрямую зависит от корректной настройки множества гиперпараметров, каждый из которых влияет на [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Вероятностные модели для прогнозирования цен биржевых активов</title>
		<link>https://mlgu.ru/2500/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 23 May 2025 13:26:59 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2500</guid>

					<description><![CDATA[В этой статье я хочу поделиться своим подходом к использованию вероятностных моделей для прогнозирования цен активов. Мы разберем, почему традиционные методы часто подводят, какие подходы применяют профессионалы в хедж-фондах, и как вы можете использовать Python для реализации таких моделей. Моя цель — создать подробное руководство, которое будет полезно как для профессионалов в области data science, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Изучаем опционы на Netflix: комплексный анализ и стратегии</title>
		<link>https://mlgu.ru/2214/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 14 May 2025 16:31:12 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[биржевые инструменты]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[квантитативный анализ]]></category>
		<category><![CDATA[опционы]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2214</guid>

					<description><![CDATA[Стоимость акций Netflix, одного из мировых лидеров стриминговой индустрии, перешагнула отметку в $1000 и демонстрирует значительную волатильность, что делает этот актив привлекательным инструментом для опционной торговли. Как специалист в области анализа данных и количественных исследований, я решил провести исследование опционов на Netflix, возможных стратегий торговли и поделиться с вами его результатами. Типы опционов на Netflix [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Классические методы предиктивной аналитики</title>
		<link>https://mlgu.ru/842/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 14 Oct 2024 20:51:26 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[decision trees]]></category>
		<category><![CDATA[lightgbm]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[stacking]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=842</guid>

					<description><![CDATA[Предиктивная аналитика &#8212; это область анализа данных, которая использует статистические алгоритмы, машинное обучение и методы искусственного интеллекта для прогнозирования будущих событий или поведения на основе исторических данных. Эта дисциплина находится на стыке статистики, информатики и бизнес-аналитики, что делает ее чрезвычайно мощным инструментом для принятия решений в различных отраслях. Основная идея предиктивной аналитики заключается в том, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Создание ML-модели прогноза действий пользователей интернет-магазина и рекомендательной системы</title>
		<link>https://mlgu.ru/779/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 27 Sep 2024 17:18:20 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[mlops]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[пайплайны]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[рекомендательные системы]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=779</guid>

					<description><![CDATA[Сегодня в электронной коммерции успех бизнеса во-многом зависит от способности предугадывать потребности клиентов и предлагать им именно то, что они ищут. И, как показал опыт, правильно реализованные модели могут значительно повысить конверсию, увеличить средний чек и улучшить лояльность клиентов. В этой статье я поделюсь своим опытом и знаниями о том, как создать ML-модель прогноза действий [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование трафика и конверсий сайта с помощью XGBoost</title>
		<link>https://mlgu.ru/227/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 11 Sep 2024 21:36:36 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=227</guid>

					<description><![CDATA[Являясь экспертом в области анализа данных и машинного обучения, я часто сталкиваюсь с задачами прогнозов в веб-аналитике. Одна из наиболее интересных и важных задач &#8212; это прогнозирование трафика и конверсий сайта. В этой статье я хочу поделиться своим опытом использования алгоритма XGBoost для решения этой задачи. Почему важно прогнозировать трафик и конверсии сайта? Прежде чем [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование конверсии посетителей интернет-магазина в покупателей с помощью машинного обучения</title>
		<link>https://mlgu.ru/11/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 07 Sep 2024 12:59:55 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<guid isPermaLink="false">http://mlgu.ru/?p=11</guid>

					<description><![CDATA[В этой статье я расскажу о своем опыте работы с анализом и прогнозированием конверсий веб-сайта в рамках моего участия в соревнованиях Kaggle Data Challenge. Всем участникам соревнования предлагалось решить одну проблему &#8212; повысить конверсию веб-сайта и тем самым повысить выручку онлайн-бизнеса. Легенда проекта такова: Владельцы интернет-магазина ювелирных изделий столкнулись с тем, что больше трафика не [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
