CatBoost Régularisé
CatBoost Régularisé applique des contrôles de régularisation explicites — régularisation L2 des feuilles, contraintes de profondeur des arbres, taux de rétrécissement et pénalités de taille du modèle — en plus du cadre de gradient boosting ordonné de CatBoost, réduisant le surapprentissage tout en conservant la gestion native des caractéristiques catégorielles par CatBoost et sa faible latence de prédiction sur les jeux de données tabulaires.
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.
Sources
- Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. Advances in Neural Information Processing Systems, 31. link ↗
- Dorogush, A. V., Ershov, V., & Gulin, A. (2018). CatBoost: gradient boosting with categorical features support. arXiv preprint arXiv:1810.11363. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Regularized CatBoost (Categorical Boosting with Explicit Regularization). ScholarGate. https://scholargate.app/fr/machine-learning/regularized-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.
- CatBoostApprentissage automatique↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Gradient Boosting RégulariséApprentissage automatique↔ compare
- LightGBM régulariséApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →