CatBoost
CatBoost — це алгоритм градієнтного бустингу, представлений Прохоренковою та її колегами з Yandex у 2018 році, який нативно обробляє категоріальні змінні та використовує впорядковане кодування цільової змінної для уникнення витоку міток. Побудовою адитивного ансамблю дерев із перестановкою порядку даних на кожній ітерації він часто перевершує XGBoost та LightGBM на даних із великою кількістю категорій.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 1). CatBoost (Categorical Boosting). ScholarGate. https://scholargate.app/uk/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.
- AdaBoostМашинне навчання↔ compare
- Дерево рішеньМашинне навчання↔ compare
- Логістична регресіяСтатистика досліджень↔ compare
- Випадковий лісМашинне навчання↔ compare
- XGBoostМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →