Git Stars Git Stars

#xgboost Repositories

Entdecke 34 aktive Open-Source-GitHub-Repositories, die mit #xgboost getaggt sind und insgesamt 80,652 Sterne gesammelt haben (durchschnittlich 2,372 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist dmlc/xgboost mit 29,010 Sternen.

34
Gesamtzahl der Repositories
80,652
Gesamtanzahl der Sterne
2,372
Durchschnittliche Sterne/Repo

Insgesamt 34 Repositories

1
dmlc/xgboost

Skalierbare, portable und verteilte Gradient-Boosting-Bibliothek (GBDT, GBRT oder GBM) für Python, R, Java, Scala, C und mehr. Läuft auf einem einzelnen Rechner, Hadoop, Spark, Dask, Flink und DataFlow.

dmlc
⭐ 29,010 C++ 👤 dmlc Organization 🕐 Aktualisiert 2026-11-19 📅 Erstellt 2014-02-06
2
kserve/kserve

Standardisierte verteilte generative und prädiktive KI-Inferenzplattform für skalierbare, Multi-Framework-Bereitstellung auf Kubernetes

kserve
⭐ 6,253 Go 👤 kserve Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2019-03-27
3
alibaba/Alink

Alink ist die Machine-Learning-Algorithmusplattform basierend auf Flink, entwickelt vom PAI-Team der Alibaba Computing Platform.

alibaba
⭐ 3,625 Java 👤 alibaba Organization 🕐 Aktualisiert 2024-06-07 📅 Erstellt 2018-09-30
4
mljar/mljar-supervised

Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation

mljar
⭐ 3,306 Python 👤 mljar Organization 🕐 Aktualisiert 2026-11-05 📅 Erstellt 2018-11-05
5
parrt/dtreeviz

Eine Python-Bibliothek für die Visualisierung von Entscheidungsbäumen und die Modellinterpretation.

parrt
⭐ 3,161 Jupyter Notebook 👤 parrt User 🕐 Aktualisiert 2026-01-02 📅 Erstellt 2018-08-13
6
BayesWitnesses/m2cgen

Transformieren Sie ML-Modelle in nativen Code (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) ohne Abhängigkeiten

BayesWitnesses
⭐ 2,944 Python 👤 BayesWitnesses Organization 🕐 Aktualisiert 2024-08-03 📅 Erstellt 2019-01-13
7
TeamHG-Memex/eli5

Eine Bibliothek zum Debuggen/Inspektieren von Machine-Learning-Klassifikatoren und Erklären ihrer Vorhersagen

TeamHG-Memex
⭐ 2,858 Jupyter Notebook 👤 TeamHG-Memex Organization 🕐 Aktualisiert 2026-04-08 📅 Erstellt 2016-09-15
8
mars-project/mars

Mars ist ein tensorbasierter einheitlicher Rahmen für die Berechnung großer Datenmengen, der numpy, pandas, scikit-learn und Python-Funktionen skaliert.

mars-project
⭐ 2,751 Python 👤 mars-project Organization 🕐 Aktualisiert 2024-01-02 📅 Erstellt 2018-12-05
9
jolibrain/deepdetect

Deep-Learning-Server und CLI für Torch und TensorRT

jolibrain
⭐ 2,549 C++ 👤 jolibrain Organization 🕐 Aktualisiert 2026-11-17 📅 Erstellt 2015-05-22
10
benedekrozemberczki/awesome-decision-tree-papers

Eine Sammlung von Forschungsarbeiten zu Entscheidungs-, Klassifikations- und Regressionsbäumen mit Implementierungen.

benedekrozemberczki
⭐ 2,480 Python 👤 benedekrozemberczki User 🕐 Aktualisiert 2025-12-28 📅 Erstellt 2019-05-11
11
kubeflow/trainer

Verteiltes Training von KI-Modellen und Feineinstellung von LLM auf Kubernetes

kubeflow
⭐ 2,287 Go 👤 kubeflow Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2017-06-28
12
AutoViML/AutoViz

Visualisieren Sie automatisch jedes Dataset jeder Größe mit einer einzigen Codezeile. Erstellt von Ram Seshadri. Mitarbeiter willkommen. Genehmigung wird auf Anfrage erteilt.

AutoViML
⭐ 1,870 Python 👤 AutoViML User 🕐 Aktualisiert 2024-06-10 📅 Erstellt 2019-07-17
13
skforecast/skforecast

Python-Bibliothek für Zeitreihenprognosen mit scikit-learn-kompatiblen Modellen, statistischen Methoden und Foundation-Modellen

skforecast
⭐ 1,551 Python 👤 skforecast Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2021-02-10
14
Nixtla/mlforecast

Skalierbares maschinelles 🤖 Lernen für Zeitreihenprognosen.

Nixtla
⭐ 1,308 Python 👤 Nixtla Organization 🕐 Aktualisiert 2026-11-19 📅 Erstellt 2021-04-26
15
xorbitsai/xorbits

Skalierbare Python DS & ML, auf API-kompatible und blitzschnelle Weise.

xorbitsai
⭐ 1,200 Python 👤 xorbitsai Organization 🕐 Aktualisiert 2026-02-14 📅 Erstellt 2022-07-27
16
benedekrozemberczki/awesome-gradient-boosting-papers

Eine kuratierte Liste von Forschungsarbeiten zu Gradient Boosting mit Implementierungen.

benedekrozemberczki
⭐ 1,053 Python 👤 benedekrozemberczki User 🕐 Aktualisiert 2026-01-05 📅 Erstellt 2019-05-11
17
NVIDIA/NVFlare

NVIDIA Federated Learning Application Runtime Environment

NVIDIA
⭐ 1,017 Python 👤 NVIDIA Organization 🕐 Aktualisiert 2026-11-21 📅 Erstellt 2021-07-23
18
SeldonIO/MLServer

Ein Inferenzserver für Ihre Machine-Learning-Modelle, einschließlich Unterstützung für mehrere Frameworks, Multi-Model-Serving und mehr

SeldonIO
⭐ 903 Python 👤 SeldonIO Organization 🕐 Aktualisiert 2026-11-20 📅 Erstellt 2020-06-16
19
Tejas-TA/predikit

Die fehlende Brücke zwischen deinen ML-Modellen und deinen KI-Agenten.

Tejas-TA
⭐ 840 Python 👤 Tejas-TA User 🕐 Aktualisiert 2026-10-28 📅 Erstellt 2026-05-25
20
apachecn/ml-mastery-zh

:book: [Übers.] MachineLearningMastery Blog-Artikel

apachecn
⭐ 786 JavaScript 👤 apachecn Organization 🕐 Aktualisiert 2025-02-19 📅 Erstellt 2019-03-25
21
StatMixedML/XGBoostLSS

Eine Erweiterung von XGBoost für probabilistische Modellierung

StatMixedML
⭐ 738 Python 👤 StatMixedML User 🕐 Aktualisiert 2026-10-02 📅 Erstellt 2019-06-16
22
abhishekkrthakur
⭐ 728 Python 👤 abhishekkrthakur User 🕐 Aktualisiert 2024-09-14 📅 Erstellt 2021-10-26
23
mljar/supertree

Beeindrucken Sie Ihren Chef mit interaktiver Entscheidungsbaum-Visualisierung

mljar
⭐ 700 JavaScript 👤 mljar Organization 🕐 Aktualisiert 2026-08-11 📅 Erstellt 2024-07-24
24
yandex/rep

Maschinenlern-Toolbox für Menschen

yandex
⭐ 698 Jupyter Notebook 👤 yandex Organization 🕐 Aktualisiert 2024-07-31 📅 Erstellt 2015-04-13
25
kossisoroyce/timber

Ollama für klassische ML-Modelle. AOT-Compiler, der XGBoost, LightGBM, scikit-learn, CatBoost & ONNX-Modelle in nativen C99-Inferenzcode umwandelt. Ein Befehl zum Laden, ein Befehl zum Servieren. 336x schneller als Python-Inferenz.

kossisoroyce
⭐ 692 Python 👤 kossisoroyce User 🕐 Aktualisiert 2026-04-16 📅 Erstellt 2026-02-27
26
AutoViML/featurewiz

Nutzen Sie fortgeschrittene Feature-Engineering-Strategien und wählen Sie mit einer einzigen Codezeile die besten Features aus Ihrem Datensatz aus. Erstellt von Ram Seshadri. Mitarbeiter willkommen.

AutoViML
⭐ 677 Python 👤 AutoViML User 🕐 Aktualisiert 2025-02-19 📅 Erstellt 2020-11-29
27
Ekeany/Boruta-Shap

Ein baumbasierter Feature-Auswahltool, das sowohl den Boruta-Feature-Auswahlalgorithmus als auch Shapley-Werte kombiniert.

Ekeany
⭐ 641 Python 👤 Ekeany User 🕐 Aktualisiert 2024-02-19 📅 Erstellt 2020-04-13
28
neptune-ai/neptune-client

📘 Der Experiment-Tracker für das Training von Grundmodellen

neptune-ai
⭐ 623 Python 👤 neptune-ai Organization 🕐 Aktualisiert 2026-03-17 📅 Erstellt 2019-02-11
29
Western-OC2-Lab/Intrusion-Detection-System-Using-Machine-Learning

Code für IDS-ML: Entwicklung von Einbruchserkennungssystemen mithilfe von Algorithmen des maschinellen Lernens (Entscheidungsbaum, Random Forest, Extra Trees, XGBoost, Stacking, k-Means, Bayesian Optimization..)

Western-OC2-Lab
⭐ 602 Jupyter Notebook 👤 Western-OC2-Lab Organization 🕐 Aktualisiert 2026-04-01 📅 Erstellt 2021-05-25
30
whyzhow/Kaggle-NeurIPS---Open-Polymer-Prediction-2025-Silver-Algorithm-Overview

Eine verbesserte und reproduzierbare Implementierung einer Silver-Medal-Kaggle-NeurIPS-Open-Polymer-Prediction-Lösung mit SMILES-Kanonisierung, molekularen Deskriptoren, CatBoost/XGBoost-Modellen, OOF-Stacking und optionalen PyTorch Geometric GNNs.

whyzhow
⭐ 591 Python 👤 whyzhow User 🕐 Aktualisiert 2026-02-28 📅 Erstellt 2026-02-13
31
openscoring/openscoring

REST-Webdienst für die echte Echtzeit-Bewertung (<1 ms) von Scikit-Learn-, R- und Apache-Spark-Modellen

openscoring
⭐ 587 Java 👤 openscoring Organization 🕐 Aktualisiert 2026-02-02 📅 Erstellt 2013-04-02
32
cerlymarco/shap-hypetune

Ein Python-Paket für die gleichzeitige Hyperparameter-Optimierung und Merkmalsauswahl für Gradient-Boosting-Modelle.

cerlymarco
⭐ 584 Jupyter Notebook 👤 cerlymarco User 🕐 Aktualisiert 2024-06-08 📅 Erstellt 2021-05-16
33
hyperactive-project/Hyperactive

Eine vereinheitlichte Schnittstelle für Optimierungsalgorithmen und Experimente

hyperactive-project
⭐ 551 Python 👤 hyperactive-project Organization 🕐 Aktualisiert 2026-11-02 📅 Erstellt 2018-11-01
34
AutoViML/Auto_ViML

Mehrere ML-Modelle automatisch mit einer einzigen Codezeile erstellen. Erstellt von Ram Seshadri. Kollaborateure willkommen. Erlaubnis auf Anfrage gewährt.

AutoViML
⭐ 547 Python 👤 AutoViML User 🕐 Aktualisiert 2025-01-30 📅 Erstellt 2019-06-10

Häufig gestellte Fragen

1

Welches ist das beliebteste #xgboost-Repository auf GitHub?

Das am höchsten eingestufte Open-Source-#xgboost-Projekt auf GitHub ist dmlc/xgboost mit 29,010 Sternen. Skalierbare, portable und verteilte Gradient-Boosting-Bibliothek (GBDT, GBRT oder GBM) für Python, R, Java, Scala, C und mehr. Läuft auf einem einzelnen Rechner, Hadoop, Spark, Dask, Flink und DataFlow.

2

Welche Programmiersprachen werden in #xgboost-Repositories am häufigsten verwendet?

Unter den am höchsten eingestuften #xgboost-Projekten auf GitHub sind Python, Jupyter Notebook, C++, Go die am häufigsten verwendeten Programmiersprachen.

3

Wie wird das Ranking der #xgboost-Repositories berechnet?

Wir verfolgen 34 aktive Open-Source-Repositories, die mit #xgboost getaggt sind (500+ Sterne), mit insgesamt 80,652 Sternen und durchschnittlich 2,372 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.