CatBoost
CatBoost je algoritmus gradientného zosilnenia, predstavený Prokhorenkovou a kolegami z Yandexu v roku 2018, ktorý natívne spracúva kategorické premenné a používa usporiadané cieľové kódovanie na zabránenie úniku cieľových hodnôt. Budovaním aditívneho súboru stromov pri permutovaní poradia údajov v každej iterácii je často lepší ako XGBoost a LightGBM na údajoch s prevahou kategórií.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/sk/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.
- AdaBoostStrojové učenie↔ compare
- Rozhodovací stromStrojové učenie↔ compare
- Logistická regresiaŠtatistika vo výskume↔ compare
- Náhodný lesStrojové učenie↔ compare
- XGBoostStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →