CatBoost
CatBoost est un algorithme de gradient boosting, introduit par Prokhorenkova et ses collègues chez Yandex en 2018, qui gère nativement les variables catégorielles et utilise un encodage de cible ordonné pour éviter la fuite d'étiquettes. En construisant un ensemble additif d'arbres tout en permutant l'ordre des données à chaque itération, il est souvent supérieur à XGBoost et LightGBM sur des données riches en catégories.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/fr/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.
- AdaBoostApprentissage automatique↔ compare
- Arbre de décisionApprentissage automatique↔ compare
- Régression logistiqueStatistiques de recherche↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →