Módszerbizonyíték rekord

CatBoost

CatBoost is a gradient boosting algorithm, introduced by Prokhorenkova and colleagues at Yandex in 2018, that handles categorical variables natively and uses ordered target encoding to avoid label leakage. By building an additive ensemble of trees while permuting the data order at each iteration, it is often superior to XGBoost and LightGBM on category-heavy data.

Sources recorded, not reviewed

Forrásrekord

A hivatkozások szó szerint a módszer forrásrekordjából kerültek átvételre. Ezekből nem következtethető ki állítás-szintű ellenőrzés.

CatBoost (Categorical Boosting)

Taxonómiai módszerrekord · ml-model / machine-learning

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

Teljes módszer megnyitása

Kurált állítások

Az állítások a bizonyíték-jegyzőkönyvben tárolódtak, mindegyik saját értékeléssel.

Még nincsenek kurált állítások

Ez a nézet nem hoz létre állítás-értékelést, ha a jegyzőkönyvben nincs.

Kapcsolódó módszerek

A módszergráfból generálva és gépi javaslatú kapcsolatokként jelenítve meg – nem következtethető ki bizonyíték-állítás.

Same method familyAdaBoostmachine-suggested · Relational suggestion, not evidence.Same method familyDecision Treemachine-suggested · Relational suggestion, not evidence.See alsoLogistic Regressionmachine-suggested · Relational suggestion, not evidence.Same method familyRandom Forestmachine-suggested · Relational suggestion, not evidence.Same method familyXGBoostmachine-suggested · Relational suggestion, not evidence.