OA0 ›
代码 ›
CatBoost 支持类别特征的高性能梯度提升决策树框架
CatBoost 支持类别特征的高性能梯度提升决策树框架
civic · 2026-03-04 14:24:17 · 5 次点击 · 0 条评论
CatBoost 是一种基于梯度提升决策树的机器学习算法。
CatBoost 的主要优势：
- 在众多数据集上，其表现优于其他 GBDT 库。
- 业界领先的预测速度。
- 支持数值型和类别型特征。
- 开箱即用的快速 GPU 和多 GPU 训练支持。
- 内置可视化工具。
- 通过 Apache Spark 和 CLI 实现快速且可复现的分布式训练。
快速开始与文档
所有 CatBoost 文档均可在此处获取。
请根据以下指南安装 CatBoost：
* Python 包
* R 包
* 命令行工具
* Apache Spark 包
接下来，您可以探索：
* 教程
* 训练模式与评估指标
* 交叉验证
* 参数调优
* 特征重要性计算
* 常规预测与分阶段预测
* CatBoost for Apache Spark 视频：简介 与 架构
如果无法在浏览器中打开文档，请尝试将 yastatic.net 和 yastat.net 添加到 Privacy Badger 的允许域名列表中。
在生产环境中使用 CatBoost 模型
如果您想在应用程序中评估 CatBoost 模型，请阅读模型 API 文档。
问题与错误报告
- 报告错误请使用 catboost/bugreport 页面。
- 在 CatBoost GitHub Discussions Q&A 论坛 提问。
- 在 Stack Overflow 使用 catboost 标签提问，我们会关注新问题。
- 在 Telegram 英文群组 或 Telegram 俄语聊天室 寻求即时帮助。
帮助改进 CatBoost
- 查看待解决的问题和需要帮助的议题，了解可以改进的地方，或者如果您有想法，可以提交新议题。
- 将您的使用故事和经验添加到 Awesome CatBoost。
- 贡献者指南。
最新动态
最新消息发布在 Twitter。
参考文献
Anna Veronika Dorogush, Andrey Gulin, Gleb Gusev, Nikita Kazeev, Liudmila Ostroumova Prokhorenkova, Aleksandr Vorobev "Fighting biases with dynamic boosting". arXiv:1706.09516, 2017.
Anna Veronika Dorogush, Vasily Ershov, Andrey Gulin "CatBoost: gradient boosting with categorical features support". Workshop on ML Systems at NIPS 2017.
许可证
© YANDEX LLC, 2017-2026. 根据 Apache License, Version 2.0 许可。详见 LICENSE 文件。