CatBoost
CatBoost je algoritam za gradijentno pojačanje, koji su uveli Prokhorenkova i kolege na Yandexu 2018. godine, a koji izvorno obrađuje kategorijske promenljive i koristi ciljno kodiranje po redosledu kako bi se izbeglo curenje oznaka. Izgradnjom aditivnog ansambla stabala uz permutovanje redosleda podataka pri svakoj iteraciji, često je superiorniji od XGBoost-a i LightGBM-a na podacima sa mnogo kategorijskih promenljivih.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/sr/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.
- AdaBoostMašinsko učenje↔ compare
- Дрво одлучивањаMašinsko učenje↔ compare
- Logistička regresijaIstraživačka statistika↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →