catboost/catboost

A fast, scalable, high performance Gradient Boosting on Decision Trees library, used for ranking, classification, regression and other machine learning tasks for Python, R, Java, C++. Supports computation on CPU and GPU.

解決する課題

CatBoostは、決定木上での勾配ブースティングを実装するために設計された高性能な機械学習ライブラリです。カテゴリ変数の処理という一般的な課題に対処し、さまざまなデータセットにおいて予測速度とモデルの品質を向上させます。

仕組み

決定木を用いた勾配ブースティング手法を利用しており、数値変数とカテゴリ変数の両方をネイティブにサポートしています。トレーニングのスケールアップのために、高速なGPUおよびマルチGPUサポート、さらにApache Sparkやコマンドラインインターフェースを介した分散トレーニング機能を提供します。

対象者

カテゴリデータを効率的に処理できる、高速で高品質な勾配ブースティングライブラリを必要とするデータサイエンティストや機械学習エンジニアを対象としています。

特徴

  • 多くのデータセットにおいて、他のGBDTライブラリと比較して優れた品質
  • クラス最高の予測速度
  • カテゴリ変数のネイティブサポート
  • 高速なGPU、マルチGPU、および分散トレーニング (Apache Spark/CLI)
  • 内蔵の可視化ツール

関連

  • プロジェクト
    dmlc/xgboost

    XGBoostは、大規模なデータサイエンス問題に適した高速かつ正確な並列木ブースティングを提供する最適化された分散型勾配ブースティングライブラリです。

  • プロジェクト
    google/yggdrasil-decision-forests

    ランダムフォレストや勾配ブースティングツリーなどの決定木フォレストモデルの学習、評価、解釈、配信を行う高速で拡張可能なライブラリ。

  • プロジェクト
    fabsig/GPBoost

    A software library that combines tree-boosting with Gaussian processes and mixed-effects models to improve prediction accuracy for spatial data and high-cardinality categorical variables.

  • プロジェクト
    lightgbm-org/LightGBM

    大規模データを高速かつ低メモリで処理できる、ツリー基盤の学習アルゴリズムを用いた非常に効率的な勾配ブースティングフレームワーク。

  • プロジェクト
    uxlfoundation/oneDAL

    CPU、GPU、および分散システム全体で、テーブルデータ向けのハードウェア加速された機械学習ルーチンを提供する C++ および DPC++ ライブラリ。