CatBoost
CatBoost ist ein Gradient-Boosting-Algorithmus, der 2018 von Prokhorenkova und Kollegen bei Yandex eingeführt wurde und kategoriale Variablen nativ verarbeitet. Er verwendet eine geordnete Zielkodierung (ordered target encoding), um Label-Leakage zu vermeiden. Durch den Aufbau eines additiven Ensembles von Bäumen, wobei die Datenreihenfolge bei jeder Iteration permutiert wird, ist er bei kategorienlastigen Daten oft XGBoost und LightGBM überlegen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/de/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.
- AdaBoostMaschinelles Lernen↔ compare
- EntscheidungsbaumMaschinelles Lernen↔ compare
- Logistische RegressionForschungsstatistik↔ compare
- Random ForestMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →