Sitio web | Documentación | Tutoriales | Instalación | Notas de la versión
CatBoost es un método de aprendizaje automático basado en el aumento de gradiente sobre árboles de decisión.
Principales ventajas de CatBoost:
- Calidad superior en comparación con otras bibliotecas GBDT en muchos conjuntos de datos.
- La mejor velocidad de predicción de su clase.
- Soporte para características numéricas y categóricas.
- Soporte rápido de GPU y múltiples GPU para entrenamiento listo para usar.
- Herramientas de visualización incluidas.
- Entrenamiento distribuido rápido y reproducible con Apache Spark y CLI.
Introducción y documentación
Toda la documentación de CatBoost está disponible aquí.
Instale CatBoost siguiendo la guía para el
- Paquete de Python
- paquete R
- Línea de comando
- Paquete para Apache Spark
A continuación quizás quieras investigar:
- Tutoriales
- Modos de entrenamiento y métricas.
- Validación cruzada
- Ajuste de parámetros
- Cálculo de importancia de características
- Predicciones periódicas y por etapas.
- Vídeos de CatBoost para Apache Spark: Introducción y arquitectura
Si no puede abrir la documentación en su navegador, intente agregar yastatic.net y yastat.net a la lista de dominios permitidos en su tejón de privacidad.
Modelos Catboost en producción.
Si desea evaluar el modelo Catboost en su aplicación, lea la documentación de la API del modelo.
Preguntas e informes de errores
- Para informar errores, utilice la página catboost/bugreport.
- Haga una pregunta en Stack Overflow con la etiqueta catboost, lo monitoreamos para detectar nuevas preguntas.
- Busque asesoramiento inmediato en el grupo de Telegram o en el chat de Telegram de habla rusa
Ayude a mejorar CatBoost
- Consulte los problemas abiertos y los problemas buscados de ayuda para ver qué se puede mejorar, o abra un problema si desea algo.
- Agregue sus historias y experiencias a Awesome CatBoost.
- Para contribuir a CatBoost, primero debe leer el texto del CLA y agregar a su solicitud de extracción que acepta los términos del CLA. Puede encontrar más información en CONTRIBUTING.md
- Las instrucciones para los contribuyentes se pueden encontrar aquí.
Noticias
Las últimas noticias se publican en Twitter.
Documento de referencia
Anna Veronika Dorogush, Andrey Gulin, Gleb Gusev, Nikita Kazeev, Liudmila Ostroumova Prokhorenkova, Aleksandr Vorobev "Luchar contra los prejuicios con refuerzo dinámico". arXiv:1706.09516, 2017.
Anna Veronika Dorogush, Vasily Ershov, Andrey Gulin "CatBoost: aumento de gradiente con soporte de funciones categóricas". Taller sobre Sistemas ML en NIPS 2017.
Licencia
© Yandex LLC, 2017-2024. Licenciado bajo la Licencia Apache, Versión 2.0. Consulte el archivo de LICENCIA para obtener más detalles.
