# xgboost

Задаёт стандарты работы с библиотекой xgboost в Python: однократную сборку DMatrix, выбор tree_method='hist' и оформление докстрингов по стилю NumPy.

- правило · `type=rule` · Cursor · ★ 3580
- Автор: sanjeed5
- Лицензия: CC0-1.0 · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/sanjeed5/awesome-cursor-rules-mdc/tree/HEAD/rules-mdc/xgboost.mdc
- Обновлён: 2026-05-19
- HTML: https://affpapa.org/nevibecode/rules/xgboost

## Что делает

Правило настраивает Cursor на генерацию Python-кода для библиотеки `xgboost` с фильтром по файлам `**/*.py`. Оно предписывает разделять подготовку данных и логику обучения, а также следовать стандарту PEP 8 вместе с NumPy-оформлением документации.

Инструкция запрещает многократное создание `xgboost.DMatrix`: данные переводятся в матрицу один раз перед началом тренировки. Для ускорения вычислений по умолчанию задаётся алгоритм `tree_method='hist'`, а при наличии GPU подключается параметр `device='cuda'`.

Для интеграции со стандартными конвейерами `scikit-learn` используются классы `XGBClassifier` и `XGBRegressor` с параметром `enable_categorical=True`. Нативный вызов `xgboost.train` остаётся для задач с нестандартными функциями потерь и прямым управлением бустером.

## Установка

### Cursor (родная платформа)

**Вручную: положить файлы**
- Файл: `.cursor/rules/xgboost.mdc` — Во frontmatter: description, globs, alwaysApply

### Claude Code

**Вручную: положить файлы**
- Файл: `.claude/rules/xgboost.md` — Поле paths во frontmatter ограничивает файлы: globs из источника → paths

### Codex

**AGENTS.md**
- Codex читает AGENTS.md: вставьте текст правила туда

### GitHub Copilot

**Вручную: положить файлы**
- Файл: `.github/instructions/xgboost.instructions.md` — Поле applyTo задаёт, к каким файлам применять: globs из источника → applyTo

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/rules/xgboost.md`

### Cline

**Вручную: положить файлы**
- Файл: `.clinerules/xgboost.md`

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/sanjeed5/awesome-cursor-rules-mdc/tree/HEAD/rules-mdc/xgboost.mdc

## Когда брать
- избежать лишней конвертации данных в DMatrix перед обучением
- включить быстрый алгоритм tree_method='hist' в параметрах модели
- оформить функции обучения с типами и docstring по стандарту NumPy
- активировать нативную поддержку категориальных признаков через enable_categorical

## Примеры запросов агенту
- Напиши функцию обучения XGBClassifier с включённой обработкой категориальных признаков
- Собери тренировочный скрипт на нативном xgboost.train с объектом DMatrix и валидационной выборкой

## Похожие
- [data-scientist](https://affpapa.org/nevibecode/agents/voltagent-community-data-scientist.md) — субагент · 3342 установки
- [senior-data-scientist](https://affpapa.org/nevibecode/skills/senior-data-scientist.md) — скилл · 942 установки
- [typespec-m365-copilot](https://affpapa.org/nevibecode/rules/typespec-m365-copilot.md) — правило · ★ 40478
- [python-mcp-server](https://affpapa.org/nevibecode/rules/python-mcp-server.md) — правило · ★ 40478
- [microsoft-foundry](https://affpapa.org/nevibecode/rules/microsoft-foundry.md) — правило · ★ 40478
- [langchain-python](https://affpapa.org/nevibecode/rules/langchain-python.md) — правило · ★ 40478
- [java-mcp-server](https://affpapa.org/nevibecode/rules/java-mcp-server.md) — правило · ★ 40478
- [go-mcp-server](https://affpapa.org/nevibecode/rules/go-mcp-server.md) — правило · ★ 40478

Из того же набора: [sanjeed5/awesome-cursor-rules-mdc](https://affpapa.org/nevibecode/by/sanjeed5/awesome-cursor-rules-mdc.md) — 240 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md