CatBoost
CatBoost è un algoritmo di gradient boosting, introdotto da Prokhorenkova e colleghi presso Yandex nel 2018, che gestisce le variabili categoriche in modo nativo e utilizza la codifica target ordinata per evitare il "label leakage". Costruendo un "ensemble" additivo di alberi e permutando l'ordine dei dati ad ogni iterazione, risulta spesso superiore a XGBoost e LightGBM su dati con molte categorie.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/it/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.
- [UNTRANSLATED: AdaBoost]Apprendimento automatico↔ compare
- Albero decisionaleApprendimento automatico↔ compare
- Regressione LogisticaStatistica per la ricerca↔ compare
- Random ForestApprendimento automatico↔ compare
- XGBoostApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →