CatBoost
A CatBoost egy olyan gradiens-kiemeléses (gradient boosting) algoritmus, amelyet Prokhorenkova és munkatársai vezettek be a Yandexnél 2018-ban. Ez az algoritmus natívan kezeli a kategorikus változókat, és rendezett cél-kódolást (ordered target encoding) használ a címke szivárgásának elkerülése érdekében. Azáltal, hogy fák additív együttesét építi fel, miközben minden iterációban permutálja az adatok sorrendjét, gyakran felülmúlja az XGBoost és a LightGBM teljesítményét a sok kategóriát tartalmazó adatokon.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/hu/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.
- AdaBoostGépi tanulás↔ compare
- Döntési faGépi tanulás↔ compare
- Logistic RegressionKutatási statisztika↔ compare
- Véletlen erdőGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →