CatBoost
CatBoost ialah algoritma peningkatan kecerunan (gradient boosting), diperkenalkan oleh Prokhorenkova dan rakan-rakan di Yandex pada tahun 2018, yang mengendalikan pemboleh ubah kategorikal secara asli dan menggunakan pengekodan sasaran berurutan (ordered target encoding) untuk mengelakkan kebocoran label. Dengan membina ensemble pokok aditif sambil menukar susunan data pada setiap lelaran, ia seringkali lebih unggul daripada XGBoost dan LightGBM pada data yang kaya dengan kategori.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/ms/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.
- AdaBoostPembelajaran Mesin↔ compare
- Pohon KeputusanPembelajaran Mesin↔ compare
- Regresi LogistikStatistik Penyelidikan↔ compare
- Random ForestPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →