CatBoost
CatBoost е алгоритъм за градиентно усилване (gradient boosting), представен от Прохоренкова и колеги от Yandex през 2018 г., който обработва категорийни променливи нативно и използва кодиране на целевата променлива по подреден начин, за да избегне изтичане на информация от етикетите (label leakage). Чрез изграждане на адитивен ансамбъл от дървета, докато се пермутира редът на данните при всяка итерация, той често превъзхожда XGBoost и LightGBM при данни с много категории.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Източници
- Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A.V. & Gulin, A. (2018). CatBoost: Unbiased Boosting with Categorical Features. In NeurIPS 2018. DOI: 10.48550/arXiv.1706.09516 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/bg/machine-learning/catboost
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AdaBoostМашинно обучение↔ compare
- Дърво на решениятаМашинно обучение↔ compare
- Логистична регресияСтатистика за изследвания↔ compare
- Случайна гораМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →