CatBoost
CatBoost یک الگوریتم تقویت گرادیان است که در سال ۲۰۱۸ توسط پروخورنکووا و همکارانش در یاندکس معرفی شد. این الگوریتم متغیرهای طبقهای را به صورت بومی مدیریت میکند و از رمزگذاری هدف مرتبشده برای جلوگیری از نشت برچسب استفاده میکند. با ساخت یک مجموعه افزایشی از درختان و جابجایی ترتیب دادهها در هر تکرار، اغلب در دادههای دارای دستهبندی زیاد، عملکرد بهتری نسبت به XGBoost و LightGBM دارد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/fa/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.
- AdaBoostیادگیری ماشین↔ compare
- درخت تصمیمیادگیری ماشین↔ compare
- رگرسیون لجستیکآمار پژوهش↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →