CatBoost
Το CatBoost είναι ένας αλγόριθμος ενίσχυσης κλίσης (gradient boosting), που εισήχθη από την Prokhorenkova και συνεργάτες στην Yandex το 2018, ο οποίος χειρίζεται εγγενώς τις κατηγορικές μεταβλητές και χρησιμοποιεί κωδικοποίηση στόχου με σειρά (ordered target encoding) για την αποφυγή διαρροής ετικετών. Κατασκευάζοντας ένα προσθετικό σύνολο δέντρων, αναδιατάσσοντας τη σειρά των δεδομένων σε κάθε επανάληψη, συχνά υπερτερεί των XGBoost και LightGBM σε δεδομένα με πολλές κατηγορίες.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/el/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.
- AdaBoostΜηχανική Μάθηση↔ compare
- Δέντρο ΑποφάσεωνΜηχανική Μάθηση↔ compare
- Λογιστική ΠαλινδρόμησηΕρευνητική Στατιστική↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →