CatBoost
CatBoost ir gradientu paātrināšanas algoritms, ko 2018. gadā ieviesa Prokhorenkova un kolēģi no Yandex. Tas dabiski apstrādā kategoriskos mainīgos un izmanto sakārtotu mērķa kodēšanu, lai izvairītos no marķieru noplūdes. Veidojot aditīvu koku ansambli, katrā iterācijā mainot datu secību, tas bieži vien ir pārāks par XGBoost un LightGBM kategorijām bagātos datos.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/lv/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.
- AdaBoostMašīnmācīšanās↔ compare
- Koku lēmumu pieņemšana (Decision Tree)Mašīnmācīšanās↔ compare
- Logistiskā regresijaPētniecības statistika↔ compare
- Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →