CatBoost
CatBoost je algoritam gradijentnog pojačanja, predstavljen 2018. godine od strane Prokhorenkove i kolega na Yandexu, koji izvorno rukuje kategorijskim varijablama i koristi uređeno ciljno kodiranje kako bi se izbjeglo curenje oznaka. Izgradnjom aditivne skupine stabala uz permutiranje redoslijeda podataka u svakoj iteraciji, često je superiorniji od XGBoost i LightGBM na podacima bogatima kategorijama.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/hr/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.
- AdaBoostStrojno učenje↔ compare
- Stablo odlučivanjaStrojno učenje↔ compare
- Logistička regresijaIstraživačka statistika↔ compare
- Slučajna šumaStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →