CatBoost
CatBoost je algoritmus gradientního posilování, představený Prokhorenkovou a kolektivem v Yandexu v roce 2018, který nativně zpracovává kategorické proměnné a používá uspořádané cílové kódování k zamezení úniku cílové proměnné. Tím, že buduje aditivní ansámbl stromů a při každé iteraci permutuuje pořadí dat, je často lepší než XGBoost a LightGBM na datech s mnoha kategoriemi.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/cs/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.
- AdaBoostStrojové učení↔ compare
- Rozhodovací stromStrojové učení↔ compare
- Logistická regreseStatistika ve výzkumu↔ compare
- Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →