Recientemente, Yandex lanzó el algoritmo CatBoost [1] ( refuerzo categórico).
CatBoost aumenta el gradiente en la biblioteca de árboles de decisión con soporte de características categóricas listo para usar . El lanzamiento muestra que los gigantes todavía usan los algoritmos clásicos de aprendizaje automático y no solo las técnicas de aprendizaje profundo. Es bien sabido que las redes neuronales son especialmente buenas para procesar datos homogéneos, pero cuando los datos son heterogéneos que consisten en características numéricas y categóricas, entra en juego un buen refuerzo de gradiente antiguo.
Actualmente se implementan los soportes Python y R. Puede encontrar los resultados de la comparación en diferentes conjuntos de datos en la página de puntos de referencia [2]. Yandex está utilizando CatBoost para mejorar los resultados de búsqueda, clasificar las recomendaciones para Yandex.Dzen y predecir el clima.
- ¿Qué tipo de algoritmo SLAM es adecuado para una aceleración con FPGA o FPGA-SoC?
- Java (lenguaje de programación): ¿Es correcto este método para insertar un nuevo nodo en un árbol de búsqueda binario?
- ¿Cuál es el enfoque algorítmico para encontrar los intervalos de tiempo libre de ambas personas para que puedan organizar una reunión, dado el conjunto de intervalos de tiempo ocupado de dos personas, como en un calendario?
- ¿En qué punto una gran notación O de velocidad de aumento más rápida ignora una notación O grande de velocidad de aumento más lenta?
- ¿Qué algoritmo debe usar Quora para ordenar las preguntas en las páginas de sesión?
/main-qimg-1954fcae6d27519b2af4eda6aef2f809.png)
Notas al pie
[1] CatBoost
[2] catboost / puntos de referencia
