CatBoost
CatBoost és un algorisme de gradient boosting, introduït per Prokhorenkova i col·laboradors a Yandex el 2018, que gestiona variables categòriques de manera nativa i utilitza codificació de destinació ordenada per evitar la fuga d'etiquetes. En construir un conjunt additiu d'arbres mentre es permuta l'ordre de les dades a cada iteració, sovint és superior a XGBoost i LightGBM en dades amb moltes categories.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/ca/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.
- AdaBoostAprenentatge automàtic↔ compare
- Arbre de decisióAprenentatge automàtic↔ compare
- Regressió LogísticaEstadística per a la recerca↔ compare
- Random ForestAprenentatge automàtic↔ compare
- XGBoostAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →