Запис о доказима методе

CatBoost

CatBoost is a gradient boosting algorithm, introduced by Prokhorenkova and colleagues at Yandex in 2018, that handles categorical variables natively and uses ordered target encoding to avoid label leakage. By building an additive ensemble of trees while permuting the data order at each iteration, it is often superior to XGBoost and LightGBM on category-heavy data.

Sources recorded, not reviewed

Изворни запис

Цитирани радови су копирани дословно из изворног записа методе. Из њих се не изводи верификација на нивоу тврдње.

CatBoost (Categorical Boosting)

Таксономски запис методе · ml-model / machine-learning

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

Отвори пуну методу

Куроване тврдње

Тврдње су сачуване у регистру доказа, свака са својом проценом.

Још увек нема курованих тврдњи

Овај приказ не измишља процену тврдње када регистар нема ниједну.

Сродне методе

Генерисано из графа метода и приказано као машински предложене везе — не изводи се тврдња доказа.

Same method familyAdaBoostmachine-suggested · Relational suggestion, not evidence.Same method familyDecision Treemachine-suggested · Relational suggestion, not evidence.See alsoLogistic Regressionmachine-suggested · Relational suggestion, not evidence.Same method familyRandom Forestmachine-suggested · Relational suggestion, not evidence.Same method familyXGBoostmachine-suggested · Relational suggestion, not evidence.