CatBoost
CatBoost is een gradient boosting-algoritme, geïntroduceerd door Prokhorenkova en collega's bij Yandex in 2018, dat categorische variabelen "native" verwerkt en geordende "target encoding" gebruikt om "label leakage" te voorkomen. Door een additief ensemble van bomen te bouwen terwijl de datavolgorde bij elke iteratie wordt gepermuteerd, is het vaak superieur aan XGBoost en LightGBM op data met veel categorische variabelen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/nl/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.
- AdaBoostMachine learning↔ compare
- BeslisboomMachine learning↔ compare
- Logistische RegressieOnderzoeksstatistiek↔ compare
- Random ForestMachine learning↔ compare
- XGBoostMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →