発展：勾配ブースティング木の実務（XGBoost・LightGBM）

アンサンブル学習のレッスンの続きとして、表形式のデータで今も広く使われる勾配ブースティング木を掘り下げます。前までの木が残した誤り（残差）を次の木が埋めていくしくみ、それを実務の道具に仕上げた XGBoost と LightGBM、そして列ごとに単位がばらばらな表形式のデータが大小の判定だけで進む決定木とかみ合い、正規化を必要とし局所性を手がかりにするディープラーニングの強みが活きない理由までを実装のコードは扱わず、なぜ効くのかに絞って説明します。