CatBoost
CatBoost on gradienttivahvistusalgoritmi, jonka Yandexin Prokhorenkova ja kollegat esittelivät vuonna 2018. Se käsittelee kategorisia muuttujia natiivisti ja käyttää järjestettyä kohdekoodausta välttääkseen kohdevuotoa. Rakentamalla puista additiivisen yhteenliittymän ja permutoimalla dataa jokaisella iteraatiolla se on usein parempi kuin XGBoost ja LightGBM kategoriapainotteisella datalla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/fi/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.
- AdaBoostKoneoppiminen↔ compare
- PäätöspuuKoneoppiminen↔ compare
- Logistinen regressioTutkimuksen tilastomenetelmät↔ compare
- Random ForestKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →