XGBoost

XGBoost veya Extreme Gradient Boosting, Gradient Boosting çerçevesi altında makine öğrenimi algoritmalarını uygulamak için tasarlanmış, yüksek oranda optimize edilmiş ve dağıtık bir yazılım kütüphanesidir. Olağanüstü verimliliği, esnekliği ve taşınabilirliği ile tanınan XGBoost, yapılandırılmış veya tablolu verilerle çalışan veri bilimciler için birincil tercih haline gelmiştir. Birden fazla "zayıf" öğreniciyi—tipik olarak basit karar ağaçlarını—birleştirerek tek bir "güçlü" öğrenici oluşturarak çalışır. Ensemble öğrenme olarak bilinen bu teknik, modelin dizideki önceki ağaçlar tarafından yapılan hataları düzeltmesine olanak tanır ve sınıflandırma, regresyon ve sıralama görevlerinde en gelişmiş sonuçları sağlar.

Link to this sectionTemel Mekanizmalar ve Avantajlar#

XGBoost'un gücü, sistem optimizasyonunda ve algoritmik geliştirmelerinde yatar. Ağaçları bağımsız olarak oluşturan Random Forest gibi paketleme (bagging) tekniklerinin aksine, XGBoost ağaçları sıralı bir şekilde oluşturur. Her yeni ağaç, öncekilerin hatalarını (artıkları) en aza indirmeye çalışır. Modelin çok karmaşık hale gelmesini ve eğitim verilerindeki gürültüyü ezberlemesini önlemek için XGBoost, amaç fonksiyonuna hem L1 (Lasso) hem de L2 (Ridge) düzenlileştirme terimlerini dahil eder. Aşırı öğrenmeye karşı bu yerleşik koruma, görülmemiş veriler üzerinde sağlam bir performans sağlayan önemli bir ayırt edici özelliktir.

Ayrıca, kütüphane hız için tasarlanmıştır. Optimum bölme noktalarını bulmak için ağırlıklı bir niceleme taslağı (weighted quantile sketch) kullanır ve tüm kullanılabilir CPU çekirdeklerinden yararlanarak ağaç oluşturma sırasında paralel işleme gerçekleştirir. Ayrıca seyrek verileri de akıllıca yönetir; bir değer eksikse, algoritma bölme işlemi sırasında örneği göndermek için en iyi yönü öğrenir ve bu da öznitelik mühendisliği süreçlerini basitleştirir.

Link to this sectionİlgili Algoritmalarla Karşılaştırma#

XGBoost baskın bir güç olsa da, makine öğrenimi (ML) ekosistemindeki diğer boosting kütüphanelerinden nasıl farklı olduğunu anlamak faydalıdır:

• XGBoost ile LightGBM karşılaştırması: LightGBM, temel olarak histogram tabanlı yaklaşımı ve yaprak odaklı ağaç büyüme yöntemi sayesinde daha hızlı eğitim süresi ve daha düşük bellek kullanımı ile bilinir. XGBoost son sürümlerde benzer özellikler eklemiş olsa da, eğitim süresinin bir darboğaz olduğu çok büyük veri kümeleri için genellikle LightGBM tercih edilir.
• XGBoost ile CatBoost karşılaştırması: CatBoost, kategorik öznitelikleri kapsamlı bir ön işleme (one-hot encoding gibi) gerektirmeden yerel olarak işlemede mükemmeldir. XGBoost genellikle sayısal girdi gerektirir, bu da kategorik değişkenlerin eğitimden önce dönüştürülmesi gerektiği anlamına gelir.
• XGBoost vs. Deep Learning: XGBoost is the standard for tabular data (spreadsheets, SQL databases). In contrast, deep learning (DL) models, such as those based on the Ultralytics YOLO26 architecture, are superior for unstructured data like images, audio, and video.

Link to this sectionGerçek Dünya Uygulamaları#

XGBoost, kritik iş problemlerini çözmek için endüstriler genelinde yaygın olarak kullanılmaktadır.

1. Finansal Dolandırıcılık Tespiti: Finans kuruluşları, şüpheli işlemleri belirlemek için tahminleyici modellemede XGBoost'tan yararlanır. Geçmiş işlem kayıtları, kullanıcı konumları ve harcama kalıpları üzerinde eğitim yaparak, model şüpheli etkinlikleri yüksek doğrulukla gerçek zamanlı olarak işaretleyebilir ve büyük parasal kayıpları önleyebilir. Bu, finansta yapay zekanın temel bir uygulamasıdır.

2. Tedarik Zinciri Tahminleme: Perakende sektöründe doğru talep tahminlemesi esastır. Şirketler, gelecekteki envanter ihtiyaçlarını tahmin etmek için satış geçmişini, mevsimsel trendleri ve ekonomik göstergeleri analiz etmek amacıyla XGBoost'u kullanır. Bu, stok seviyelerini optimize etmeye ve israfı azaltmaya yardımcı olur; bu da perakendede yapay zeka kullanımının önemli bir avantajıdır.

Link to this sectionBilgisayarlı Görü ile Entegrasyon#

XGBoost yapılandırılmış verileri işlerken, modern yapay zeka sistemleri genellikle çok modlu bir yaklaşım gerektirir. Örneğin, bir üretim kalite kontrol sistemi, görüntülerdeki kusurları tanımlamak için YOLO26 tarafından desteklenen nesne tespiti özelliğini kullanabilir. Bu tespitlerden elde edilen meta veriler (örneğin, kusur tipi, boyutu, konumu), makine arızasını tahmin etmek için sensör okumalarıyla (sıcaklık, basınç) birlikte bir XGBoost modeline beslenebilir. Geliştiriciler, veri kümesi ek açıklaması ve model dağıtımı dahil olmak üzere bu karmaşık iş akışlarını Ultralytics Platformu aracılığıyla yönetebilirler.

Link to this sectionKod Örneği#

Aşağıdaki örnek, XGBoost Python API'sini kullanarak nasıl bir sınıflandırıcı eğitileceğini göstermektedir. Bu kod parçası, verilerin halihazırda önceden işlendiğini varsayar.

import xgboost as xgb
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split

# Load dataset and split into train/test sets
data = load_wine()
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2)

# Initialize and train the XGBoost classifier
model = xgb.XGBClassifier(n_estimators=50, max_depth=4, learning_rate=0.1)
model.fit(X_train, y_train)

# Evaluate the model
print(f"Accuracy: {model.score(X_test, y_test):.4f}")

Parametreler ve gelişmiş yapılandırma hakkında daha fazla ayrıntı için resmi XGBoost Dokümantasyonuna bakın. Modelinizden en iyi performansı elde etmek için uygun hiperparametre ayarlaması yapmanız önerilir.