หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>หลาม
ดาวน์โหลด

เว็บไซต์ | เอกสารประกอบ | บทช่วยสอน | การติดตั้ง | บันทึกประจำรุ่น

CatBoost เป็นวิธีการเรียนรู้ของเครื่องโดยอาศัยการไล่ระดับสีเหนือแผนผังการตัดสินใจ

ข้อดีหลักของ CatBoost:

  • คุณภาพที่เหนือกว่าเมื่อเปรียบเทียบกับไลบรารี GBDT อื่นๆ บนชุดข้อมูลจำนวนมาก
  • ความเร็วในการทำนายที่ดีที่สุดในชั้นเรียน
  • รองรับคุณสมบัติทั้งเชิงตัวเลขและหมวดหมู่
  • รองรับ GPU ที่รวดเร็วและหลาย GPU สำหรับการฝึกนอกกรอบ
  • รวมเครื่องมือแสดงภาพ
  • การฝึกอบรมแบบกระจายที่รวดเร็วและทำซ้ำได้ด้วย Apache Spark และ CLI

เริ่มต้นใช้งานและจัดทำเอกสาร

เอกสาร CatBoost ทั้งหมดมีอยู่ที่นี่

ติดตั้ง CatBoost โดยทำตามคำแนะนำสำหรับ

  • แพ็คเกจหลาม
  • R-แพ็คเกจ
  • บรรทัดคำสั่ง
  • แพ็คเกจสำหรับ Apache Spark

ถัดไป คุณอาจต้องการตรวจสอบ:

  • บทช่วยสอน
  • โหมดการฝึกอบรมและตัวชี้วัด
  • การตรวจสอบข้าม
  • การปรับพารามิเตอร์
  • การคำนวณความสำคัญของคุณลักษณะ
  • การทำนายแบบปกติและแบบจัดฉาก
  • วิดีโอ CatBoost สำหรับ Apache Spark: บทนำและสถาปัตยกรรม

หากคุณไม่สามารถเปิดเอกสารในเบราว์เซอร์ของคุณได้ ให้ลองเพิ่ม yastatic.net และ yastat.net ลงในรายการโดเมนที่อนุญาตใน Privacy Badger ของคุณ

โมเดล Catboost อยู่ระหว่างการผลิต

หากคุณต้องการประเมินโมเดล Catboost ในแอปพลิเคชันของคุณ โปรดอ่านเอกสารประกอบ API ของโมเดล

คำถามและรายงานข้อผิดพลาด

  • สำหรับการรายงานข้อบกพร่อง โปรดใช้หน้า catboost/bugreport
  • ถามคำถามเกี่ยวกับ Stack Overflow ด้วยแท็ก catboost เราจะตรวจสอบสิ่งนี้สำหรับคำถามใหม่
  • ขอคำแนะนำได้ทันทีที่กลุ่มโทรเลขหรือแชทโทรเลขที่พูดภาษารัสเซีย

ช่วยทำให้ CatBoost ดีขึ้น

  • ตรวจสอบปัญหาที่เปิดอยู่และช่วยเหลือปัญหาที่ต้องการเพื่อดูว่าอะไรสามารถปรับปรุงได้ หรือเปิดปัญหาหากคุณต้องการบางอย่าง
  • เพิ่มเรื่องราวและประสบการณ์ของคุณลงใน Awesome CatBoost
  • เพื่อสนับสนุน CatBoost คุณต้องอ่านข้อความ CLA ก่อนและเพิ่มลงในคำขอดึงของคุณ ซึ่งคุณยอมรับข้อกำหนดของ CLA ข้อมูลเพิ่มเติมสามารถพบได้ใน CONTRIBUTING.md
  • คำแนะนำสำหรับผู้มีส่วนร่วมสามารถดูได้ที่นี่

ข่าว

ข่าวล่าสุดมีการเผยแพร่บน Twitter

เอกสารอ้างอิง

Anna Veronika Dorogush, Andrey Gulin, Gleb Gusev, Nikita Kazeev, Liudmila Ostroumova Prokhorenkova, Aleksandr Vorobev "ต่อสู้กับอคติด้วยการส่งเสริมแบบไดนามิก" arXiv:1706.09516, 2017.

Anna Veronika Dorogush, Vasily Ershov, Andrey Gulin "CatBoost: การไล่ระดับสีที่เพิ่มขึ้นพร้อมการสนับสนุนคุณสมบัติที่เป็นหมวดหมู่" การประชุมเชิงปฏิบัติการเกี่ยวกับระบบ ML ที่ NIPS 2017

ใบอนุญาต

© YANDEX LLC, 2017-2024 ได้รับอนุญาตภายใต้ Apache License เวอร์ชัน 2.0 ดูไฟล์ใบอนุญาตสำหรับรายละเอียดเพิ่มเติม

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด