Machine learningMachine learning
Regularized CatBoost
Regularized CatBoost는 CatBoost의 순서 기반 그래디언트 부스팅 프레임워크 위에 L2 리프 정규화, 트리 깊이 제약, 축소율, 모델 크기 페널티와 같은 명시적인 정규화 제어를 적용하여, CatBoost의 내장된 범주형 특징 처리 능력과 테이블형 데이터셋에서의 낮은 예측 지연 시간을 유지하면서 과적합을 줄입니다.
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.
출처
- Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. Advances in Neural Information Processing Systems, 31. link ↗
- Dorogush, A. V., Ershov, V., & Gulin, A. (2018). CatBoost: gradient boosting with categorical features support. arXiv preprint arXiv:1810.11363. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Regularized CatBoost (Categorical Boosting with Explicit Regularization). ScholarGate. https://scholargate.app/ko/machine-learning/regularized-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.
- CatBoost머신러닝↔ compare
- 그래디언트 부스팅머신러닝↔ compare
- 정규화된 경사 부스팅머신러닝↔ compare
- 정규화된 LightGBM머신러닝↔ compare
- XGBoost머신러닝↔ compare