CatBoost
CatBoost är en gradient-boosting-algoritm, introducerad av Prokhorenkova och kollegor vid Yandex år 2018, som hanterar kategoriska variabler inbyggt och använder ordnad målkodning för att undvika läckage av etiketter. Genom att bygga ett additivt ensemble av träd samtidigt som dataordningen permuterats vid varje iteration, är den ofta överlägsen XGBoost och LightGBM på datamängder med många kategoriska variabler.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/sv/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.
- AdaBoostMaskininlärning↔ compare
- BeslutsträdMaskininlärning↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →