Machine learning
CatBoost
CatBoost הוא אלגוריתם gradient boosting, שהוצג על ידי Prokhorenkova ועמיתיה ביאנדקס בשנת 2018, אשר מטפל במשתנים קטגוריאליים באופן טבעי ומשתמש בקידוד יעד מסודר (ordered target encoding) כדי למנוע דליפת תוויות (label leakage). על ידי בניית אנסמבל חיבורי של עצים תוך ערבוב סדר הנתונים בכל איטרציה, הוא לרוב עולה על XGBoost ו-LightGBM בנתונים עשירים בקטגוריות.
קראו את השיטה במלואה
לחברים בלבד
התחברותהתחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/he/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.
- AdaBoostלמידת מכונה↔ compare
- עץ החלטהלמידת מכונה↔ compare
- רגרסיה לוגיסטיתסטטיסטיקה למחקר↔ compare
- יער אקראילמידת מכונה↔ compare
- XGBoostלמידת מכונה↔ compare