Une bibliothèque open source de gradient boosting haute performance pour arbres de décision, développée par Yandex. Elle est particulièrement performante avec les variables catégorielles.
CatBoost
- Python
- IA et apprentissage automatique, Analyse des données
- Artificial Intelligence (AI), Apprentissage profond, Machine Learning, Algorithmes de maintenance prédictive, Gestion de la qualité, Software Development Kit (SDK), Statistical Analysis
Caractéristiques :
- Gère automatiquement et efficacement les variables catégorielles (boosting ordonné, statistiques cibles), offre d'excellentes performances et une grande précision, est robuste face au surapprentissage, assure un entraînement et une prédiction rapides, prend en charge les GPU, propose des outils de visualisation pour l'analyse du modèle et gère les valeurs manquantes.
Prix :
- Gratuit
- Gestion native et supérieure des caractéristiques catégorielles, bonne précision avec les paramètres par défaut, inférence rapide, résistance au surapprentissage, fournit des outils d'interprétabilité du modèle.
- Peut nécessiter une quantité importante de mémoire pour les très grands ensembles de données, communauté plus petite que pour XGBoost ou LightGBM mais en croissance, l'entraînement sur GPU peut nécessiter une configuration spécifique.
Idéal pour :
- Les data scientists et les ingénieurs en apprentissage automatique à la recherche d'une bibliothèque de gradient boosting haute performance, notamment pour le traitement d'ensembles de données contenant de nombreuses caractéristiques catégorielles.