CatBoost
CatBoost es un algoritmo de gradient boosting, introducido por Prokhorenkova y colegas en Yandex en 2018, que maneja variables categóricas de forma nativa y utiliza codificación de destino ordenada para evitar la fuga de etiquetas. Al construir un conjunto aditivo de árboles mientras se permuta el orden de los datos en cada iteración, a menudo es superior a XGBoost y LightGBM en datos con muchas categorías.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/es/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.
- AdaBoostAprendizaje automático↔ compare
- Árbol de DecisiónAprendizaje automático↔ compare
- Regresión LogísticaEstadística para la investigación↔ compare
- Random ForestAprendizaje automático↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →