XGBoost'un yıllardır süren ayarlamaları, tek bir saniyelik modelin önüne düşüyor.
Orijinal başlık: TabPFN and TabICL vs. tuned XGBoost: the model that doesn't train won 14/14
KISACA
- Tek cümlede
- Bir geliştirici, TabICL ve TabPFN adlı önceden eğitilmiş modelleri XGBoost ile karşılaştırdı.
- Bulgu
- TabICL, 14 veri setinin tamamında, TabPFN ise 13'ünde XGBoost'un AUC skorunu aştı.
- Neden önemli?
- XGBoost ayara saniyeler harcarken, bu modeller saniyenin altında sonuç veriyor.
Ne oldu?
Bir geliştiricinin yaptığı karşılaştırmalı testte, önceden eğitilmiş "tablo temel modelleri" TabICL ve TabPFN, hiç eğitim görmeden 14 veri setinin 14'ünde (TabICL) ve 13'ünde (TabPFN) özenle ayarlanmış XGBoost'u AUC metriğinde geçti. XGBoost hiperparametre aramasına veri seti başına 0,7-27,2 saniye harcamasına rağmen bu modellerin gerisinde kalırken, TabICL saniyenin altında sonuç verdi. Ancak TabPFN'in 419 sütunlu geniş tablolarda zorlandığı ve kazançların bazen rastgelelik (seed) farkından küçük kaldığı da not ediliyor.
Sonuç, eğitim süresi olmayan modellerin, klasik XGBoost'u geride bırakabileceği yönünde bir işaret.
Aynı haberin kısa dikey video özeti.
Bu notu kaynak göstererek alıntılayabilirsin: Hasan Amanet, “XGBoost'un yıllardır süren ayarlamaları, tek bir saniyelik modelin önüne düşüyor.”, Notes for Data Science, 28 Eylül 2026.