catboost

ウェブサイト |ドキュメント |チュートリアル |インストール |リリースノート

CatBoost は、デシジョン ツリーに対する勾配ブースティングに基づく機械学習手法です。

CatBoost の主な利点:

• 多くのデータセット上の他の GBDT ライブラリと比較して優れた品質。
• クラス最高の予測速度。
• 数値特徴とカテゴリ特徴の両方をサポートします。
• すぐに使用できるトレーニングのための高速 GPU およびマルチ GPU のサポート。
• 視覚化ツールが含まれています。
• Apache Spark と CLI を使用した、高速で再現可能な分散トレーニング。

はじめにとドキュメント

CatBoost のすべてのドキュメントはここから入手できます。

のガイドに従って CatBoost をインストールします。

• Pythonパッケージ
• Rパッケージ
• コマンドライン
• Apache Spark のパッケージ

次に、次のことを調査するとよいでしょう。

• チュートリアル
• トレーニングモードとメトリクス
• 相互検証
• パラメータのチューニング
• 特徴重要度の計算
• 定期的および段階的な予測
• CatBoost for Apache Spark ビデオ: 概要とアーキテクチャ

ブラウザでドキュメントを開けない場合は、プライバシー アナグマの許可されたドメインのリストに yastatic.net と yastat.net を追加してみてください。

Catboost モデルが生産中

アプリケーションで Catboost モデルを評価したい場合は、モデル API ドキュメントをお読みください。

質問とバグ報告

• バグを報告するには、catboost/bugreport ページを使用してください。
• catboost タグを使用して Stack Overflow で質問してください。新しい質問がないか監視します。
• Telegram グループまたはロシア語を話す Telegram チャットで迅速なアドバイスを求める

CatBoost の改善に協力してください

• 未解決の問題を確認し、求められている問題を確認して改善できる点を確認するか、何か必要な場合は問題をオープンしてください。
• あなたのストーリーや経験を Awesome CatBoost に追加してください。
• CatBoost に貢献するには、まず CLA テキストを読み、CLA の条件に同意することをプル リクエストに追加する必要があります。詳細については、CONTRIBUTING.md を参照してください。
• 寄稿者向けの手順はここでご覧いただけます。

ニュース

最新情報はtwitterで公開しています。

参考論文

アンナ・ベロニカ・ドログシュ、アンドレイ・グリン、グレブ・グセフ、ニキータ・カジーエフ、リウドミラ・オストロモワ・プロホレンコワ、アレクサンドル・ヴォロベフ 「ダイナミックブースティングによるバイアスとの戦い」。 arXiv:1706.09516、2017。

Anna Veronika Dorogush、Vasily Ershov、Andrey Gulin 「CatBoost: カテゴリ特徴量サポートによる勾配ブースティング」。 NIPS 2017 での ML システムに関するワークショップ。

ライセンス

© YANDEX LLC、2017-2024。 Apache License、バージョン 2.0 に基づいてライセンスされています。詳細については、LICENSE ファイルを参照してください。