الموقع | التوثيق | دروس | التثبيت | ملاحظات الإصدار
CatBoost هي طريقة للتعلم الآلي تعتمد على تعزيز التدرج على أشجار القرار.
المزايا الرئيسية لبرنامج CatBoost:
- جودة فائقة بالمقارنة مع مكتبات GBDT الأخرى في العديد من مجموعات البيانات.
- أفضل سرعة التنبؤ في فئتها.
- دعم لكل من الميزات العددية والفئوية.
- دعم سريع لوحدة معالجة الرسومات (GPU) ووحدة معالجة الرسومات المتعددة (GPU) للتدريب خارج الصندوق.
- أدوات التصور المدرجة.
- تدريب موزع سريع وقابل للتكرار باستخدام Apache Spark وCLI.
البدء والتوثيق
جميع وثائق CatBoost متاحة هنا.
قم بتثبيت CatBoost باتباع دليل
- حزمة بايثون
- حزمة R
- سطر الأوامر
- حزمة لأباتشي سبارك
بعد ذلك قد ترغب في التحقيق:
- دروس
- طرق التدريب والمقاييس
- التحقق المتبادل
- ضبط المعلمات
- حساب أهمية الميزة
- توقعات منتظمة ومرحلة
- مقاطع فيديو CatBoost for Apache Spark: المقدمة والهندسة المعمارية
إذا لم تتمكن من فتح الوثائق في متصفحك، فحاول إضافة yastatic.net وyastat.net إلى قائمة النطاقات المسموح بها في غرير الخصوصية لديك.
نماذج Catboost في الإنتاج
إذا كنت تريد تقييم نموذج Catboost في تطبيقك، فاقرأ وثائق نموذج API.
الأسئلة وتقارير الأخطاء
- للإبلاغ عن الأخطاء، يرجى استخدام صفحة catboost/bugreport.
- اطرح سؤالاً على Stack Overflow باستخدام علامة catboost، ونحن نراقب ذلك للأسئلة الجديدة.
- اطلب المشورة السريعة في مجموعة Telegram أو دردشة Telegram الناطقة باللغة الروسية
ساعد في جعل CatBoost أفضل
- تحقق من المشكلات المفتوحة وساعد المشكلات المطلوبة لمعرفة ما يمكن تحسينه، أو افتح مشكلة إذا كنت تريد شيئًا ما.
- أضف قصصك وتجربتك إلى Awesome CatBoost.
- للمساهمة في CatBoost، يتعين عليك أولاً قراءة نص CLA وإضافته إلى طلب السحب الخاص بك، وهو ما يعني موافقتك على شروط CLA. يمكن العثور على مزيد من المعلومات في CONTRIBUTING.md
- يمكن العثور على تعليمات للمساهمين هنا.
أخبار
يتم نشر آخر الأخبار على تويتر.
ورقة مرجعية
آنا فيرونيكا دوروغوش، وأندريه جولين، وجليب جوسيف، ونيكيتا كازييف، وليودميلا أوستروموفا بروخورينكوفا، وألكسندر فوروبيف "مكافحة التحيزات من خلال التعزيز الديناميكي". أرخايف:1706.09516، 2017.
آنا فيرونيكا دوروغوش، فاسيلي إرشوف، أندريه جولين "CatBoost: تعزيز التدرج مع دعم الميزات الفئوية". ورشة عمل حول أنظمة ML في NIPS 2017.
رخصة
© ياندكس ذ م م، 2017-2024. مرخص بموجب ترخيص أباتشي، الإصدار 2.0. راجع ملف الترخيص لمزيد من التفاصيل.
