Κανονικοποιημένο CatBoost
Το Κανονικοποιημένο CatBoost εφαρμόζει ρητούς ελέγχους κανονικοποίησης — κανονικοποίηση L2 στα φύλλα, περιορισμούς στο βάθος των δέντρων, ρυθμό συρρίκνωσης και ποινές στο μέγεθος του μοντέλου — πάνω από το πλαίσιο του αλγορίθμου ενίσχυσης βαθμίδας (gradient boosting) του CatBoost, μειώνοντας την υπερπροσαρμογή (overfitting) διατηρώντας παράλληλα τον εγγενή χειρισμό των κατηγορικών χαρακτηριστικών από το CatBoost και τη χαμηλή καθυστέρηση πρόβλεψης σε δομημένα σύνολα δεδομένων (tabular datasets).
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.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Regularized CatBoost (Categorical Boosting with Explicit Regularization). ScholarGate. https://scholargate.app/el/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.
- CatBoostΜηχανική Μάθηση↔ compare
- Ενίσχυση Κλίσης (Gradient Boosting)Μηχανική Μάθηση↔ compare
- Κανονικοποιημένη Ενίσχυση ΚλίσηςΜηχανική Μάθηση↔ compare
- Κανονικοποιημένο LightGBMΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →