CatBoost
CatBoost adalah algoritma gradient boosting, yang diperkenalkan oleh Prokhorenkova dan rekan-rekannya di Yandex pada tahun 2018, yang menangani variabel kategorikal secara native dan menggunakan pengkodean target berurutan untuk menghindari kebocoran label. Dengan membangun ansambel pohon aditif sambil mengacak urutan data pada setiap iterasi, algoritma ini seringkali lebih unggul daripada XGBoost dan LightGBM pada data yang kaya kategori.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/id/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.
- AdaBoostPembelajaran Mesin↔ compare
- Pohon KeputusanPembelajaran Mesin↔ compare
- Regresi LogistikStatistika Penelitian↔ compare
- Random ForestPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →