XGBoost: gradient boosting que dominó Kaggle y sobrevivió al hype

Esta es la parte #6 de la serie Awesome Curated: The Tools, donde hago deep dives en las herramientas que pasan el filtro de nuestro sistema de curación automático — señal cruzada entre múltiples awesome lists, análisis por IA y veredicto humano. XGBoost apareció en 5 listas independientes. Algo está haciendo bien.

Hace un par de años tuve que armar un modelo para predecir churn en una empresa de servicios. Datos tabulares clásicos: edad del cliente, tiempo de contrato, cantidad de llamadas al soporte, monto de factura, cosas así. Nada de imágenes, nada de texto libre, nada que justificara armar una red neuronal. La primera iteración la hice con Random Forest y anduvo razonable. Pero alguien del equipo me preguntó "¿probaste XGBoost?" con esa cara de "en serio no lo probaste todavía". Lo probé. En media hora de tuning básico le ganaba al Random Forest por varios puntos de F1. No fue magia — fue que XGBoost estaba diseñado exactamente para ese problema.

No lo digo yo solo. Durante años XGBoost fue la herramienta dominante en Kaggle. Competencia de datos tabulares → primer lugar usa XGBoost. Segundo lugar también. Tercero probablemente también. Ese consenso no se construye con marketing, se construye ganando. Y aunque hoy LightGBM y CatBoost le disputan el trono, XGBoost sigue siendo el punto de referencia contra el que todos se miden.

Qué hace

XGBoost (eXtreme Gradient Boosting) es una implementación optimizada de gradient boosting. La idea base de gradient boosting no es nueva — viene de los 90s — pero XGBoost la llevó a otro nivel con una implementación que prioriza velocidad, memoria y paralelismo de forma obsesiva.

El truco conceptual de gradient boosting es elegante: entrenás un árbol de decisión, mirás dónde se equivocó, entrenás otro árbol para corregir esos errores, y repetís. Al final tenés un ensemble donde cada árbol aprende de los errores del anterior. XGBoost agrega regularización matemática al proceso (términos L1 y L2) para evitar overfitting, y hace la búsqueda de splits de forma paralela en lugar de secuencial. El resultado es que entrena más rápido y generaliza mejor que las implementaciones naive.

Soporta Python, R, Julia, Java, Scala, C++ — prácticamente cualquier stack donde puedas necesitarlo. Y tiene integración nativa con Spark, Hadoop y Dask para escalar horizontalmente sin reescribir tu código. Licencia Apache 2.0, open source, mantenido activamente por la comunidad DMLC.

import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import f1_score
import pandas as pd

# Cargamos datos (datos tabulares: el territorio donde XGBoost brilla)
df = pd.read_csv('churn_dataset.csv')
X = df.drop('churn', axis=1)
y = df['churn']

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# Configuración básica — estos defaults ya son competitivos
modelo = xgb.XGBClassifier(
    n_estimators=300,        # cantidad de árboles en el ensemble
    max_depth=6,             # profundidad máxima de cada árbol
    learning_rate=0.1,       # cuánto "aprende" cada árbol nuevo
    subsample=0.8,           # fracción de datos por árbol (evita overfitting)
    colsample_bytree=0.8,    # fracción de features por árbol
    use_label_encoder=False,
    eval_metric='logloss',
    random_state=42
)

modelo.fit(
    X_train, y_train,
    # early stopping: para si no mejora en 50 rondas consecutivas
    early_stopping_rounds=50,
    eval_set=[(X_test, y_test)],
    verbose=False
)

y_pred = modelo.predict(X_test)
print(f"F1 Score: {f1_score(y_test, y_pred):.4f}")

Un detalle que me parece genial: el early_stopping_rounds. Le decís "si en 50 rondas no mejorás, pará". Evita que entres con 500 estimadores y termines overfitteando por no prestarle atención.

# Para datos distribuidos con Dask (escala horizontal sin cambiar lógica)
import dask.dataframe as dd
from xgboost import dask as xgb_dask
import dask.distributed

# El cliente Dask maneja el cluster — puede ser local o en la nube
cliente = dask.distributed.Client()

# XGBoost habla Dask nativamente, sin wrappers raros
X_dask = dd.from_pandas(X_train, npartitions=4)  # particionamos los datos
y_dask = dd.from_pandas(y_train, npartitions=4)

# La API es casi idéntica al caso single-node
resultado = xgb_dask.train(
    cliente,
    {"objective": "binary:logistic", "max_depth": 6, "learning_rate": 0.1},
    xgb_dask.DaskDMatrix(cliente, X_dask, y_dask),
    num_boost_round=300
)

Por qué está en la lista

XGBoost apareció en 5 awesome lists independientes. Eso es señal fuerte — cuando la comunidad de ML hace listas de "lo que realmente sirve", este nombre aparece una y otra vez. No porque esté de moda, sino porque lleva más de una década entregando resultados.

Lo que lo distingue de alternativas como Random Forest o incluso de las redes neuronales para datos tabulares es la combinación de precisión, velocidad e interpretabilidad. Podés sacarle feature importance de forma nativa — entendés qué variables están manejando las predicciones. Con una red neuronal profunda eso es bastante más complicado. Para contextos donde el modelo tiene que ser auditado (decisiones de crédito, scoring médico, churn en telco) esto importa.

Además, el soporte distribuido es real y no es un afterthought. En los posts anteriores de la serie hablamos de TensorFlow y PyTorch — esas herramientas escalan también, pero están optimizadas para tensores y redes neuronales. XGBoost escala para lo que hace: árboles sobre datos tabulares. Distintos problemas, distintas herramientas.

El análisis del sistema de curación lo clasificó como GEM — el nivel más alto. La razón es simple: es matemática sólida con implementación probada en producción real, en miles de empresas, durante años. No es hype de paper académico que nadie puso en producción. Es battle-tested en el sentido más literal de la palabra.

Cuándo NO usarlo

Si tu problema implica datos no estructurados — imágenes, audio, texto libre — XGBoost no es tu herramienta. Ahí ganás con deep learning, y PyTorch o TensorFlow son las opciones naturales. XGBoost no tiene forma de aprender representaciones de píxeles o embeddings de texto de manera competitiva.

Tampoco es la mejor opción si querés iterar muy rápido en exploración y el tuning te parece un quilombo. Los hiperparámetros — max_depth, learning_rate, subsample, colsample_bytree, regularización L1/L2 — tienen interacciones entre sí que requieren experiencia o al menos un buen proceso de hyperparameter search (Optuna funciona muy bien para esto). Si necesitás algo que funcione razonablemente bien con defaults sin pensar, LightGBM suele ser más amigable out-of-the-box, aunque la diferencia en práctica es menor de lo que la gente cree. Y si tenés muchas features categóricas sin encodear, CatBoost las maneja de forma más natural.

Cerrando

XGBoost es de esas herramientas que existían antes de que yo pivotara al desarrollo de software, y siguen siendo relevantes hoy. No porque nadie haya inventado algo mejor en abstracto, sino porque para datos tabulares con necesidad de precisión y explicabilidad, sigue siendo el benchmark real. Cinco awesome lists independientes llegaron a la misma conclusión por su cuenta. Eso vale.

Esta es la parte #6 de Awesome Curated: The Tools. Si te perdiste los posts anteriores, en el #3 hablé de m2cgen — una herramienta que te permite exportar modelos de ML (incluyendo XGBoost) a código nativo sin dependencias de Python, ideal si necesitás inferencia en un entorno Java o Go. Tiene mucho sentido leer los dos juntos. La serie sigue — hay más tools en el pipeline.