CatBoost
CatBoost to algorytm gradient boosting, wprowadzony przez Prokhorenkovą i współpracowników z Yandex w 2018 roku, który natywnie obsługuje zmienne kategoryczne i wykorzystuje uporządkowane kodowanie celu, aby uniknąć wycieku etykiet. Budując addytywny zespół drzew przy jednoczesnym permutacji kolejności danych w każdej iteracji, często przewyższa XGBoost i LightGBM na danych z dużą liczbą kategorii.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/pl/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.
- AdaBoostUczenie maszynowe↔ compare
- Drzewo decyzyjneUczenie maszynowe↔ compare
- Regresja logistycznaStatystyka w badaniach↔ compare
- Random ForestUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →