Site | Documentação | Tutoriais | Instalação | Notas de versão
CatBoost é um método de aprendizado de máquina baseado no aumento de gradiente em árvores de decisão.
Principais vantagens do CatBoost:
- Qualidade superior quando comparada com outras bibliotecas GBDT em muitos conjuntos de dados.
- A melhor velocidade de previsão da categoria.
- Suporte para recursos numéricos e categóricos.
- Suporte rápido a GPU e multi-GPU para treinamento pronto para uso.
- Ferramentas de visualização incluídas.
- Treinamento distribuído rápido e reproduzível com Apache Spark e CLI.
Primeiros passos e documentação
Toda a documentação do CatBoost está disponível aqui.
Instale CatBoost seguindo o guia do
- Pacote Python
- Pacote R
- Linha de comando
- Pacote para Apache Spark
Em seguida, você pode querer investigar:
- Tutoriais
- Modos e métricas de treinamento
- Validação cruzada
- Ajuste de parâmetros
- Cálculo da importância do recurso
- Previsões regulares e escalonadas
- Vídeos CatBoost para Apache Spark: introdução e arquitetura
Se você não conseguir abrir a documentação em seu navegador, tente adicionar yastatic.net e yastat.net à lista de domínios permitidos em seu texugo de privacidade.
Modelos Catboost em produção
Se você deseja avaliar o modelo Catboost em seu aplicativo, leia a documentação da API do modelo.
Perguntas e relatórios de bugs
- Para relatar bugs, use a página catboost/bugreport.
- Faça uma pergunta no Stack Overflow com a tag catboost, nós monitoramos isso para novas perguntas.
- Procure aconselhamento imediato no grupo Telegram ou no bate-papo do Telegram em russo
Ajude a tornar o CatBoost melhor
- Confira os problemas abertos e ajude os problemas desejados para ver o que pode ser melhorado ou abra um problema se desejar algo.
- Adicione suas histórias e experiência ao Awesome CatBoost.
- Para contribuir com o CatBoost, você precisa primeiro ler o texto do CLA e adicionar à sua solicitação pull que concorda com os termos do CLA. Mais informações podem ser encontradas em CONTRIBUTING.md
- Instruções para contribuidores podem ser encontradas aqui.
Notícias
As últimas notícias são publicadas no Twitter.
Artigo de referência
Anna Veronika Dorogush, Andrey Gulin, Gleb Gusev, Nikita Kazeev, Liudmila Ostroumova Prokhorenkova, Aleksandr Vorobev "Combatendo preconceitos com reforço dinâmico". arXiv:1706.09516, 2017.
Anna Veronika Dorogush, Vasily Ershov, Andrey Gulin "CatBoost: aumento de gradiente com suporte a recursos categóricos". Workshop sobre Sistemas de ML no NIPS 2017.
Licença
© YANDEX LLC, 2017-2024. Licenciado sob a Licença Apache, Versão 2.0. Consulte o arquivo LICENSE para obter mais detalhes.
