CatBoost
CatBoost er en gradientforsterkningsalgoritme, introdusert av Prokhorenkova og kolleger ved Yandex i 2018, som håndterer kategoriske variabler nativt og bruker ordnet målkoding for å unngå lekkasje av etiketter. Ved å bygge et additivt ensemble av trær mens datarekkefølgen permutteres ved hver iterasjon, er den ofte overlegen XGBoost og LightGBM på datamengder med mange kategorier.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/no/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.
- AdaBoostMaskinlæring↔ compare
- BeslutningstreMaskinlæring↔ compare
- Logistisk regresjonForskningsstatistikk↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →