Un algoritmo de aprendizaje automático basado en potenciación por gradientes que construye modelos predictivos a partir de datos estructurados.XGBoost (eXtreme Gradient Boosting) es un algoritmo de aprendizaje automático que construye modelos predictivos combinando muchos árboles de decisión simples de manera iterativa. Es una forma de potenciación por gradientes, donde cada árbol nuevo corrige los errores de los anteriores, mejorando gradualmente la precisión. XGBoost se usa ampliamente para problemas con datos estructurados, como clasificación, regresión y ranking, y es conocido por su velocidad y rendimiento en competiciones y aplicaciones del mundo real.
XGBoost fue presentado por Tianqi Chen en 2014 como un proyecto de investigación en la Universidad de Washington. Rápidamente se convirtió en una herramienta dominante en competiciones de aprendizaje automático, especialmente en plataformas como Kaggle.
El algoritmo comienza con una predicción inicial y luego ajusta un árbol de decisión a los residuos (errores) de esa predicción. Cada árbol posterior se entrena con los errores restantes, y las predicciones se combinan sumando los árboles, ponderados por una tasa de aprendizaje. XGBoost incluye regularización para evitar el sobreajuste y utiliza una implementación inteligentemente optimizada que maneja datos dispersos y procesamiento paralelo de manera eficiente.
Se utiliza en diversos campos, incluidos el diagnóstico médico (predicción de la progresión de enfermedades a partir de imágenes o datos de laboratorio), las finanzas (calificación crediticia y detección de fraudes) y la física (clasificación de eventos de partículas o predicción de propiedades de materiales).
XGBoost se ha utilizado para ganar numerosas competiciones de aprendizaje automático, y su nombre es la abreviatura de 'Extreme Gradient Boosting', lo que refleja su enfoque en llevar al límite el rendimiento y la escalabilidad.



















