XG부스트는 법원 경매 물건의 낙찰가를 예측하는 얼마써 예상낙찰가 모델 21개 중 하나입니다. 매달 실제 낙찰 결과와 대조해 채점하며, 물건의 조건이 이 모델에 맞을 때 그 값이 예상낙찰가로 채택됩니다. 성적만으로 정하지 않습니다.
| 정식 명칭 | XGBoost |
|---|---|
| 전술 | 이론상 완벽한 전술. 그런데 우리 그라운드에서는… |
| 강점 | 이름값. 경쟁사가 "우리는 XGBoost"라고 후킹하면 성적표를 보여주면 된다. |
| 약점 | 전 구간 일관 열세(전체 53.0% — 리그 최하위권). |
2014년 데뷔 후 캐글을 제패한 세계적 명문. "정형데이터 = XGBoost"라는 공식을 만든 장본인. 이적료 최고액급 기대를 받고 입단했다.
정규화 부스팅 — 손실함수를 2차 미분까지 근사해 정밀하게 최적화하고, L1/L2 규제를 목적함수에 내장해 과적합을 누른다. 결측값 자동 처리·가지치기 등 교과서적 완성도.
캐글 우승 최다 기록의 전설. 검색 랭킹·광고 CTR·신용평가 등 세계 정형데이터 실무 표준.
라이트GBM과의 세기의 라이벌전(세계 무대 호각) — 그러나 우리 그라운드 실측에선 LGB(55.2)·CAT(55.2)·HGB(55.4) 모두에게 밀렸다(53.0).
명성이 성적을 보장하지 않는다는 실측 증거. 그래서 이 리그가 필요하다.
Chen & Guestrin (2016) "XGBoost: A Scalable Tree Boosting System", KDD — 인용 5만+회.
목적함수를 2차 테일러 전개(그래디언트 g, 헤시안 h)로 근사해 리프 가중치의 닫힌해 w* = −Σg/(Σh+λ)를 유도. 트리 복잡도(리프 수·가중치 L2)를 목적함수에 내장한 정규화 부스팅.
레벨 단위 성장 + 이득 기반 사후 가지치기. 결측값은 학습 중 최적 방향을 배워 자동 처리. 가중 분위 스케치로 근사 분할.
캐시 최적화·분산 학습 등 시스템 설계가 논문의 절반을 차지 — "확장 가능한 시스템"으로서의 기여가 크다.
2015~2017 캐글 우승 솔루션의 과반이 채택했던 전설적 도구. 이후 LightGBM·CatBoost와 3강 구도.
전체 모델 보기 → 경매 물건에서 예상낙찰가 확인하기 →
얼마써 — 사건번호만 입력하면 법원경매 물건의 예상낙찰가를 AI가 계산합니다. 여러 방식이 낸 값을 실제 낙찰가와 매달 대조해 검증합니다. 입찰가 결정은 경매 참여자 본인의 판단이며, 예상낙찰가는 통계 기반 참고치입니다. 입찰 전 법원 공고와 현장을 반드시 확인하세요.