Regularizovaný CatBoost
Regularizovaný CatBoost aplikuje explicitní kontrolu regularizace — L2 regularizaci listů, omezení hloubky stromu, míru zmenšení (shrinkage rate) a penalizaci velikosti modelu — nad rámec frameworku CatBoost s uspořádaným gradient boostingem, čímž snižuje přeučení (overfitting) při zachování nativního zpracování kategoriálních příznaků CatBoostu a jeho nízké latence predikce na tabulkových datasetech.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. Advances in Neural Information Processing Systems, 31. link ↗
- Dorogush, A. V., Ershov, V., & Gulin, A. (2018). CatBoost: gradient boosting with categorical features support. arXiv preprint arXiv:1810.11363. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized CatBoost (Categorical Boosting with Explicit Regularization). ScholarGate. https://scholargate.app/cs/machine-learning/regularized-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.
- CatBoostStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- Regularizované gradientní posilováníStrojové učení↔ compare
- Regularized LightGBMStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →