CatBoost
CatBoost เป็นอัลกอริทึม gradient boosting ที่พัฒนาโดย Prokhorenkova และคณะที่ Yandex ในปี 2018 ซึ่งจัดการกับตัวแปรหมวดหมู่ (categorical variables) ได้โดยตรงและใช้การเข้ารหัสเป้าหมายแบบเรียงลำดับ (ordered target encoding) เพื่อหลีกเลี่ยงการรั่วไหลของป้ายกำกับ (label leakage) ด้วยการสร้างกลุ่มของต้นไม้แบบเสริม (additive ensemble of trees) พร้อมกับการสับเปลี่ยนลำดับข้อมูลในแต่ละรอบการทำซ้ำ (iteration) จึงมักมีประสิทธิภาพเหนือกว่า XGBoost และ LightGBM ในข้อมูลที่มีหมวดหมู่จำนวนมาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/th/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.
- AdaBoostการเรียนรู้ของเครื่อง↔ compare
- ต้นไม้ตัดสินใจการเรียนรู้ของเครื่อง↔ compare
- การถดถอยโลจิสติกสถิติการวิจัย↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare