Regularizēts CatBoost
Regularizētais CatBoost pievieno tiešus regulēšanas kontrolierus — L2 lapu regulēšanu, koku dziļuma ierobežojumus, saraušanās ātrumu un modeļa izmēra sodus — virs CatBoost kārtotās gradientu pastiprināšanas sistēmas, samazinot pārspīlēšanu, vienlaikus saglabājot CatBoost dabisko kategorisko iezīmju apstrādi un zemo prognozēšanas latentumu uz tabulārām datu kopām.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized CatBoost (Categorical Boosting with Explicit Regularization). ScholarGate. https://scholargate.app/lv/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.
- CatBoostMašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- Regularizēta gradientu pastiprināšanaMašīnmācīšanās↔ compare
- Regularized LightGBMMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →