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.

解決的問題

CatBoost 是一個高性能機器學習庫，旨在實現決策樹上的梯度提升。它解決了處理類別特徵的常見挑戰，並提高了各種數據集上的預測速度與模型品質。

工作原理

它利用決策樹上的梯度提升方法，提供對數值特徵與類別特徵的原生支持。為了擴展訓練規模，它提供了快速的 GPU 與多 GPU 支持，以及透過 Apache Spark 與命令列介面實現的分散式訓練能力。

適用對象

適用於需要快速、高品質且能高效處理類別數據的梯度提升庫的數據科學家與機器學習工程師。

亮點

  • 在許多數據集上比其他 GBDT 庫具有更高的品質。
  • 頂級的預測速度。
  • 對類別特徵的原生支持。
  • 快速的 GPU、多 GPU 與分散式訓練 (Apache Spark/CLI)。
  • 內建的可視化工具。

相關

  • 專案
    dmlc/xgboost

    XGBoost 是一個優化的分散式梯度提升程式庫，為大規模資料科學問題提供快速且準確的平行樹提升。

  • 專案
    google/yggdrasil-decision-forests

    一個用於訓練、評估、解釋與部署隨機森林與梯度提升樹等決策森林模型的快速且可擴展的函式庫。

  • 專案
    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.

  • 專案
    lightgbm-org/LightGBM

    一個使用基於樹的學習演算法來處理大規模資料的高效梯度提升框架，具有高速度和低記憶體使用特點。

  • 專案
    uxlfoundation/oneDAL

    一個 C++ 和 DPC++ 函式庫，為 CPU、GPU 和分散式系統上的表格數據提供硬體加速的機器學習例程。