Загрузка catboost - загрузка исходного кода catboost

catboost

Питон

1.2.7

Скачать

Веб-сайт | Документация | Учебники | Установка | Примечания к выпуску

CatBoost — это метод машинного обучения, основанный на повышении градиента деревьев решений.

Основные преимущества CatBoost:

Превосходное качество по сравнению с другими библиотеками GBDT для многих наборов данных.
Лучшая в своем классе скорость прогнозирования.
Поддержка как числовых, так и категориальных функций.
Поддержка быстрого графического процессора и нескольких графических процессоров для обучения прямо из коробки.
Включены инструменты визуализации.
Быстрое и воспроизводимое распределенное обучение с помощью Apache Spark и CLI.

Начало работы и документация

Вся документация CatBoost доступна здесь.

Установите CatBoost, следуя руководству по

Пакет Python
R-пакет
Командная строка
Пакет для Apache Spark

Далее вы можете изучить:

Учебники
Режимы обучения и показатели
Перекрестная проверка
Настройка параметров
Расчет важности функции
Регулярные и поэтапные прогнозы
Видео CatBoost для Apache Spark: введение и архитектура

Если вы не можете открыть документацию в своем браузере, попробуйте добавить yastatic.net и yastat.net в список разрешенных доменов в вашем индикаторе конфиденциальности.

Модели Catboost в производстве

Если вы хотите оценить модель Catboost в своем приложении, прочтите документацию по API модели.

Вопросы и отчеты об ошибках

Чтобы сообщить об ошибках, используйте страницу catboost/bugreport.
Задайте вопрос о переполнении стека с помощью тега catboost, мы отслеживаем появление новых вопросов.
Обращайтесь за оперативной консультацией в группу Telegram или русскоязычный чат Telegram.

Помогите сделать CatBoost лучше

Просмотрите открытые проблемы и помогите решить нужные проблемы, чтобы узнать, что можно улучшить, или откройте проблему, если вам что-то нужно.
Добавьте свои истории и опыт в Awesome CatBoost.
Чтобы внести свой вклад в CatBoost, вам необходимо сначала прочитать текст CLA и добавить в свой запрос на включение, что вы согласны с условиями CLA. Более подробную информацию можно найти на сайте CONTRIBUTING.md.
Инструкции для участников можно найти здесь.

Новости

Последние новости публикуются в твиттере.

Справочный документ

Анна Вероника Дорогуш, Андрей Гулин, Глеб Гусев, Никита Казеев, Людмила Остроумова Прохоренкова, Александр Воробьев «Борьба с предубеждениями с помощью динамического бустинга». arXiv:1706.09516, 2017.

Анна Вероника Дорогуш, Василий Ершов, Андрей Гулин «CatBoost: градиентный бустинг с поддержкой категориальных функций». Семинар по системам машинного обучения на выставке NIPS 2017.