Git Stars Git Stars

#gradient-boosting Repository

Scopri 20 repository GitHub open source attivi contrassegnati con #gradient-boosting, che raccolgono un totale di 89,943 stelle (con una media di 4,497 stelle per progetto). Il progetto leader di questo argomento è shap/shap, con 25,883 stelle.

20
Totale Repository
89,943
Totale stelle
4,497
Media Stelle/Repo
Linguaggi di programmazione: Python Jupyter Notebook C++ Rust

20 repository in totale

1
shap/shap

Un approccio di teoria dei giochi per spiegare l'output di qualsiasi modello di machine learning

shap
⭐ 25,883 Jupyter Notebook 👤 shap Organization 🕐 Aggiornato 2026-11-20 📅 Creato 2016-11-22
2
lightgbm-org/LightGBM

Un framework veloce, distribuito e ad alte prestazioni per il gradient boosting (GBT, GBDT, GBRT, GBM o MART) basato su algoritmi di alberi decisionali, utilizzato per ranking, classificazione e molte altre attività di machine learning.

lightgbm-org
⭐ 18,995 C++ 👤 lightgbm-org Organization 🕐 Aggiornato 2026-11-21 📅 Creato 2016-08-05
3
EpistasisLab/tpot

Uno strumento di Automated Machine Learning in Python che ottimizza i pipeline di machine learning utilizzando la programmazione genetica.

EpistasisLab
⭐ 10,051 Jupyter Notebook 👤 EpistasisLab Organization 🕐 Aggiornato 2025-09-11 📅 Creato 2015-11-03
4
catboost/catboost

Una libreria Gradient Boosting on Decision Trees veloce, scalabile e ad alte prestazioni, utilizzata per ranking, classificazione, regressione e altre attività di machine learning per Python, R, Java, C++. Supporta il calcolo su CPU e GPU.

catboost
⭐ 9,210 C++ 👤 catboost Organization 🕐 Aggiornato 2026-11-20 📅 Creato 2017-07-18
5
interpretml/interpret

Adatta modelli interpretabili. Spiega il machine learning blackbox.

interpretml
⭐ 6,986 C++ 👤 interpretml Organization 🕐 Aggiornato 2026-11-16 📅 Creato 2019-05-03
6
esokolov/ml-course-hse

Apprendimento automatico presso la Facoltà di Informatica dell'HSE

esokolov
⭐ 4,037 Jupyter Notebook 👤 esokolov User 🕐 Aggiornato 2026-11-21 📅 Creato 2016-09-04
7
benedekrozemberczki/awesome-decision-tree-papers

Una collezione di articoli di ricerca su alberi decisionali, di classificazione e di regressione con implementazioni.

benedekrozemberczki
⭐ 2,480 Python 👤 benedekrozemberczki User 🕐 Aggiornato 2025-12-28 📅 Creato 2019-05-11
8
stanfordmlgroup/ngboost

Natural Gradient Boosting per la Previsione Probabilistica

stanfordmlgroup
⭐ 1,904 Jupyter Notebook 👤 stanfordmlgroup Organization 🕐 Aggiornato 2026-11-15 📅 Creato 2018-06-21
9
benedekrozemberczki/awesome-fraud-detection-papers

Una lista curata di articoli di data mining sulla rilevazione delle frodi.

benedekrozemberczki
⭐ 1,843 Python 👤 benedekrozemberczki User 🕐 Aggiornato 2026-01-05 📅 Creato 2019-05-27
10
benedekrozemberczki/awesome-gradient-boosting-papers

Una lista curata di articoli di ricerca su gradient boosting con implementazioni.

benedekrozemberczki
⭐ 1,053 Python 👤 benedekrozemberczki User 🕐 Aggiornato 2026-01-05 📅 Creato 2019-05-11
11
TorchEnsemble-Community/Ensemble-Pytorch

Un framework unificato per ensemble per PyTorch per migliorare le prestazioni e la robustezza del tuo modello di deep learning.

TorchEnsemble-Community
⭐ 1,040 Python 👤 TorchEnsemble-Community Organization 🕐 Aggiornato 2024-06-16 📅 Creato 2019-09-11
12
IIIS-Li-Group/OpenFE

OpenFE: generazione automatizzata di feature con prestazioni di livello esperto

IIIS-Li-Group
⭐ 842 Python 👤 IIIS-Li-Group Organization 🕐 Aggiornato 2024-05-27 📅 Creato 2022-11-21
13
dmlc/treelite

Formato universale di scambio e serializzazione di modelli per foreste di alberi decisionali

dmlc
⭐ 833 C++ 👤 dmlc Organization 🕐 Aggiornato 2026-11-17 📅 Creato 2017-06-28
14
dabl/dabl

Libreria di Base per l'Analisi dei Dati

dabl
⭐ 727 Jupyter Notebook 👤 dabl Organization 🕐 Aggiornato 2024-12-16 📅 Creato 2018-09-14
15
perpetual-ml/perpetual

Perpetual è una macchina di gradient boosting ad alte prestazioni. Fornisce accuratezza ottimale in una singola esecuzione senza tuning complesso grazie a un semplice parametro di budget. Offre supporto pronto all’uso per ML causale, apprendimento continuo, calibrazione nativa e monitoraggio robusto del drift, oltre al core in Rust e binding zero‑copy per Python e R.

perpetual-ml
⭐ 718 Rust 👤 perpetual-ml Organization 🕐 Aggiornato 2026-11-11 📅 Creato 2024-05-20
16
tensorflow/decision-forests

Una raccolta di algoritmi all'avanguardia per l'addestramento, il serving e l'interpretazione dei modelli Decision Forest in Keras.

tensorflow
⭐ 693 Python 👤 tensorflow Organization 🕐 Aggiornato 2026-05-19 📅 Creato 2021-04-22
17
kossisoroyce/timber

Ollama per modelli ML classici. Compilatore AOT che converte modelli XGBoost, LightGBM, scikit-learn, CatBoost e ONNX in codice di inferenza nativo C99. Un comando per caricare, un comando per servire. 336x più veloce dell'inferenza Python.

kossisoroyce
⭐ 692 Python 👤 kossisoroyce User 🕐 Aggiornato 2026-04-16 📅 Creato 2026-02-27
18
google/yggdrasil-decision-forests

Una libreria per addestrare, valutare, interpretare e mettere in produzione modelli di foreste decisionali come Random Forest e Gradient Boosted Decision Trees.

google
⭐ 680 C++ 👤 google Organization 🕐 Aggiornato 2026-11-20 📅 Creato 2021-04-22
19
motefly/DeepGBM

SIGKDD'2019: DeepGBM: Un framework di deep learning distillato da GBDT per compiti di previsione online

motefly
⭐ 658 Python 👤 motefly User 🕐 Aggiornato 2024-07-25 📅 Creato 2019-02-10

Domande frequenti

1

Qual è il repository #gradient-boosting più popolare su GitHub?

Il progetto open source #gradient-boosting più alto in classifica su GitHub è shap/shap, con 25,883 stelle. Un approccio di teoria dei giochi per spiegare l'output di qualsiasi modello di machine learning

2

Quali linguaggi di programmazione sono più utilizzati nei repository #gradient-boosting?

Tra i progetti #gradient-boosting più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, C++, Rust.

3

Come viene calcolata la classifica dei repository #gradient-boosting?

Monitoriamo 20 repository open source attivi contrassegnati con #gradient-boosting (500+ stelle), per un totale di 89,943 stelle e una media di 4,497 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.