Meetodi tõendite kirje

CatBoost

CatBoost is a gradient boosting algorithm, introduced by Prokhorenkova and colleagues at Yandex in 2018, that handles categorical variables natively and uses ordered target encoding to avoid label leakage. By building an additive ensemble of trees while permuting the data order at each iteration, it is often superior to XGBoost and LightGBM on category-heavy data.

Sources recorded, not reviewed

Allikakirje

Tsiteeringud kopeeritud meetodi allikakirjest sõna-sõnalt. Nendest ei saa järeldada väidete tasemel kinnitust.

CatBoost (Categorical Boosting)

Taksonoomiline meetodikirje · ml-model / machine-learning

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

Ava täielik meetod

Kureeritud väited

Väited on salvestatud tõendite registrisse, igal oma hinnanguga.

Kureeritud väiteid veel pole

See vaade ei loo väite hinnangut, kui registris seda pole.

Seotud meetodid

Genereeritud meetodigraafist ja kuvatud masina soovitatud seostena – väiteid ei järeldata.

Same method familyAdaBoostmachine-suggested · Relational suggestion, not evidence.Same method familyDecision Treemachine-suggested · Relational suggestion, not evidence.See alsoLogistic Regressionmachine-suggested · Relational suggestion, not evidence.Same method familyRandom Forestmachine-suggested · Relational suggestion, not evidence.Same method familyXGBoostmachine-suggested · Relational suggestion, not evidence.