CatBoost
CatBoost er en gradient-boosting-algoritme, introduceret af Prokhorenkova og kolleger hos Yandex i 2018, der håndterer kategoriske variabler "nativt" og bruger ordnet mål-kodning for at undgå "label leakage". Ved at opbygge et additivt ensemble af træer, mens dataenes rækkefølge permuteres ved hver iteration, er den ofte overlegen i forhold til XGBoost og LightGBM på data med mange kategorier.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/da/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.
- AdaBoostMaskinlæring↔ compare
- BeslutningstræMaskinlæring↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →