Tiny XGBoost: Leichtgewichtiges ML-Modell für Echtzeit‑Luftqualitätsvorhersage
Eine neue Studie aus dem arXiv‑Repository zeigt, dass ein kompakter XGBoost‑Regressionsalgorithmus die Konzentrationen von Kohlenmonoxid (CO) und Stickstoffdioxid (NO₂) in städtischen Gebieten zuverlässig vorhersagen kann. Dabei wurden zwei Varianten des Modells getestet: die vollwertige Version und eine stark verkleinerte, „tiny“ Variante.
