Baik xgboost dan gbm mengikuti prinsip peningkatan gradien. Namun demikian, perbedaan dalam detail pemodelan. Secara khusus, xgboost menggunakan formalisasi model yang lebih teratur untuk mengontrol over-fitting, yang memberikan kinerja yang lebih baik.
Kami telah memperbarui tutorial komprehensif tentang pengantar model, yang mungkin ingin Anda lihat. Pengantar Pohon yang Ditingkatkan
Nama xgboost, sebenarnya, mengacu pada tujuan rekayasa untuk mendorong batas sumber daya komputasi untuk algoritma pohon yang ditingkatkan. Itulah alasan mengapa banyak orang menggunakan xgboost. Untuk model, mungkin lebih cocok disebut sebagai penguat gradien teregulasi.