Machine learning
CatBoost
CatBoost는 2018년 Yandex의 Prokhorenkova와 동료들이 소개한 그래디언트 부스팅 알고리즘으로, 범주형 변수를 네이티브하게 처리하고 순서 타겟 인코딩(ordered target encoding)을 사용하여 레이블 누수(label leakage)를 방지합니다. 각 반복마다 데이터 순서를 섞으면서 트리 앙상블을 가산적으로 구축함으로써, 범주형 데이터가 많은 데이터에서 XGBoost와 LightGBM보다 종종 우수한 성능을 보입니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/ko/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.
- AdaBoost머신러닝↔ compare
- 결정 트리머신러닝↔ compare
- 로지스틱 회귀연구 통계↔ compare
- 랜덤 포레스트머신러닝↔ compare
- XGBoost머신러닝↔ compare