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.

해결하는 문제

CatBoost는 결정 트리 기반의 그래디언트 부스팅을 구현하도록 설계된 고성능 머신러닝 라이브러리입니다. 범주형 특성 처리라는 일반적인 과제를 해결하며, 다양한 데이터셋에서 예측 속도와 모델 품질을 향상시킵니다.

작동 원리

결정 트리 기반의 그래디언트 부스팅 방법을 활용하여 수치형 및 범주형 특성 모두에 대한 네이티브 지원을 제공합니다. 학습 규모를 확장하기 위해 빠른 GPU 및 멀티 GPU 지원을 제공하며, Apache Spark 및 명령줄 인터페이스(CLI)를 통한 분산 학습 기능도 제공합니다.

대상 사용자

범주형 데이터를 효율적으로 처리할 수 있는 빠르고 고품질인 그래디언트 부스팅 라이브러리가 필요한 데이터 과학자 및 머신러닝 엔지니어를 대상으로 합니다.

주요 특징

  • 많은 데이터셋에서 다른 GBDT 라이브러리보다 우수한 품질
  • 동급 최고의 예측 속도
  • 범주형 특성에 대한 네이티브 지원
  • 빠른 GPU, 멀티 GPU 및 분산 학습 (Apache Spark/CLI)
  • 내장된 시각화 도구

관련

  • 프로젝트
    dmlc/xgboost

    XGBoost는 대규모 데이터 과학 문제를 위한 빠르고 정확한 병렬 트리 부스팅을 제공하는 최적화된 분산 그래디언트 부스팅 라이브러리입니다.

  • 프로젝트
    google/yggdrasil-decision-forests

    랜덤 포레스트 및 그래디언트 부스팅 트리와 같은 결정 숲 모델의 학습, 평가, 해석 및 배포를 위한 빠르고 확장 가능한 라이브러리.

  • 프로젝트
    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.

  • 프로젝트
    lightgbm-org/LightGBM

    대규모 데이터를 빠르고 낮은 메모리로 처리할 수 있는, 트리 기반 학습 알고리즘을 사용하는 매우 효율적인 그래디언트 부스팅 프레임워크입니다.

  • 프로젝트
    uxlfoundation/oneDAL

    CPU, GPU 및 분산 시스템 전반에서 테이블 데이터에 대해 하드웨어 가속된 머신러닝 루틴을 제공하는 C++ 및 DPC++ 라이브러리입니다.