Unduh catboost - unduh kode sumber catboost

catboost

ular piton

1.2.7

Unduh

Situs web | Dokumentasi | Tutorial | Instalasi | Catatan Rilis

CatBoost adalah metode pembelajaran mesin berdasarkan peningkatan gradien pada pohon keputusan.

Keuntungan utama CatBoost:

Kualitas unggul jika dibandingkan dengan perpustakaan GBDT lainnya di banyak kumpulan data.
Kecepatan prediksi terbaik di kelasnya.
Dukungan untuk fitur numerik dan kategorikal.
GPU cepat dan dukungan multi-GPU untuk pelatihan langsung.
Alat visualisasi disertakan.
Pelatihan terdistribusi yang cepat dan dapat direproduksi dengan Apache Spark dan CLI.

Memulai dan Dokumentasi

Semua dokumentasi CatBoost tersedia di sini.

Instal CatBoost dengan mengikuti panduan untuk

Paket piton
Paket-R
Baris perintah
Paket untuk Apache Spark

Selanjutnya Anda mungkin ingin menyelidiki:

Tutorial
Mode dan metrik pelatihan
Validasi silang
Penyetelan parameter
Perhitungan kepentingan fitur
Prediksi reguler dan bertahap
Video CatBoost untuk Apache Spark: Pendahuluan dan Arsitektur

Jika Anda tidak dapat membuka dokumentasi di browser Anda, coba tambahkan yastatic.net dan yastat.net ke daftar domain yang diizinkan di badger privasi Anda.

Model Catboost dalam produksi

Jika Anda ingin mengevaluasi model Catboost dalam aplikasi Anda, baca dokumentasi model api.

Pertanyaan dan laporan bug

Untuk melaporkan bug silakan gunakan halaman catboost/bugreport.
Ajukan pertanyaan di Stack Overflow dengan tag catboost, kami memantau ini untuk pertanyaan baru.
Carilah saran segera di grup Telegram atau obrolan Telegram berbahasa Rusia

Membantu Membuat CatBoost Lebih Baik

Periksa masalah yang terbuka dan bantu masalah yang diinginkan untuk melihat apa yang dapat diperbaiki, atau buka masalah jika Anda menginginkan sesuatu.
Tambahkan cerita dan pengalaman Anda ke Awesome CatBoost.
Untuk berkontribusi pada CatBoost, Anda harus terlebih dahulu membaca teks CLA dan menambahkan permintaan penarikan Anda, bahwa Anda menyetujui ketentuan CLA. Informasi lebih lanjut dapat ditemukan di CONTRIBUTING.md
Petunjuk untuk kontributor dapat ditemukan di sini.

Berita

Berita terbaru dipublikasikan di twitter.

Kertas Referensi

Anna Veronika Dorogush, Andrey Gulin, Gleb Gusev, Nikita Kazeev, Liudmila Ostroumova Prokhorenkova, Aleksandr Vorobev "Melawan bias dengan peningkatan dinamis". arXiv:1706.09516, 2017.

Anna Veronika Dorogush, Vasily Ershov, Andrey Gulin "CatBoost: peningkatan gradien dengan dukungan fitur kategoris". Workshop Sistem ML di NIPS 2017.