Comparar Weka y XGBoost 
Weka vs XGBoost
Al evaluar las dos soluciones, los revisores encontraron que XGBoost es más fácil de usar y hacer negocios en general. Sin embargo, prefirieron la facilidad de configuración con Weka, junto con la administración.
- Los revisores consideraron que XGBoost satisface mejor las necesidades de su empresa que Weka.
- Al comparar la calidad del soporte continuo del producto, los revisores consideraron que Weka es la opción preferida.
- En cuanto a actualizaciones de características y hojas de ruta, nuestros revisores prefirieron la dirección de Weka sobre XGBoost.
I have used Weka for machine learning in order to analysing of test data.And also it is a good platform as a machine learning source, because we can do both training and testing through this application more conveniently.
- Los gráficos no son de la mejor calidad desde el principio - No tiene implementados algunos algoritmos alternativos
Lo mejor de XGBoost es que proporciona procesamiento paralelo en el desarrollo de modelos de aprendizaje automático; con la ayuda de 4 núcleos y procesamiento paralelo, pude desarrollar un modelo de aprendizaje automático en 30 millones de suscriptores en 2...
There's not much to dislike. It's been pretty popular as a decision tree algorithm and rightly remains a reliable choice for data science applications. Only wished it was developed sooner!
I have used Weka for machine learning in order to analysing of test data.And also it is a good platform as a machine learning source, because we can do both training and testing through this application more conveniently.
Lo mejor de XGBoost es que proporciona procesamiento paralelo en el desarrollo de modelos de aprendizaje automático; con la ayuda de 4 núcleos y procesamiento paralelo, pude desarrollar un modelo de aprendizaje automático en 30 millones de suscriptores en 2...
- Los gráficos no son de la mejor calidad desde el principio - No tiene implementados algunos algoritmos alternativos
There's not much to dislike. It's been pretty popular as a decision tree algorithm and rightly remains a reliable choice for data science applications. Only wished it was developed sooner!
