catboost

网站 |文档 |教程 |安装|发行说明

CatBoost 是一种基于决策树梯度提升的机器学习方法。

CatBoost的主要优点：

• 与许多数据集上的其他 GBDT 库相比，具有卓越的质量。
• 同类最佳的预测速度。
• 支持数字和分类特征。
• 快速 GPU 和多 GPU 支持开箱即用的训练。
• 包括可视化工具。
• 使用 Apache Spark 和 CLI 进行快速且可重复的分布式训练。

入门和文档

所有 CatBoost 文档均可在此处获取。

按照以下指南安装 CatBoost

• Python包
• R-包
• 命令行
• Apache Spark 包

接下来您可能想要调查：

• 教程
• 训练模式和指标
• 交叉验证
• 参数调整
• 特征重要性计算
• 定期和阶段性预测
• CatBoost for Apache Spark 视频：简介和架构

如果您无法在浏览器中打开文档，请尝试将 yastatic.net 和 yastat.net 添加到您的隐私獾中允许的域列表中。

生产中的 Catboost 型号

如果您想在应用程序中评估 Catboost 模型，请阅读模型 api 文档。

问题和错误报告

• 要报告错误，请使用 catboost/bugreport 页面。
• 使用 catboost 标签在 Stack Overflow 上提问，我们会监控是否有新问题。
• 在 Telegram 群组或俄语 Telegram 聊天中寻求及时建议

帮助 CatBoost 变得更好

• 查看未解决的问题并帮助想要的问题以了解可以改进的地方，或者如果您想要某些东西，可以打开一个问题。
• 将您的故事和经验添加到 Awesome CatBoost。
• 要为 CatBoost 做出贡献，您需要首先阅读 CLA 文本并将其添加到您的拉取请求中，以表明您同意 CLA 的条款。更多信息可以在 CONTRIBUTING.md 中找到
• 可以在此处找到贡献者的说明。

消息

最新消息发布在 Twitter 上。

参考论文

Anna Veronika Dorogush、Andrey Gulin、Gleb Gusev、Nikita Kazeev、Liudmila Ostroumova Prokhorenkova、Aleksandr Vorobev “通过动态提升对抗偏见”。 arXiv：1706.09516，2017。

Anna Veronika Dorogush、Vasily Ershov、Andrey Gulin“CatBoost：具有分类特征支持的梯度提升”。 NIPS 2017 上的机器学习系统研讨会。

执照

© YANDEX LLC，2017-2024。根据 Apache 许可证 2.0 版获得许可。有关更多详细信息，请参阅许可证文件。