CatBoost - 版本历史

Wurong：/* 参数配置 */

2024-01-22T02:20:04Z

参数配置

←上一版本		2024年1月22日 (一) 10:20的版本
第57行：		第57行：
	===参数配置===		===参数配置===
	* 设置随机数：控制模型的随机性。		* 设置随机数：控制模型的随机性。
	* 评估算法：训练中使用的指标。指定的值还决定了要解决的机器学习问题。可选Logloss, 交叉熵, Precision, Recall, MCC。		* 评估算法：训练中使用的指标。指定的值还决定了要解决的机器学习问题。可选Logloss, 交叉熵, Precision, Recall, F1, MCC。
	* 树深：树的最大深度。		* 树深：树的最大深度。
	* 迭代次数：使用CatBoost解决机器学习问题时可以构建的最大迭代次数。		* 迭代次数：使用CatBoost解决机器学习问题时可以构建的最大迭代次数。

Wurong：/* 参数配置 */

2024-01-22T02:19:35Z

参数配置

←上一版本		2024年1月22日 (一) 10:19的版本
第58行：		第58行：
	* 设置随机数：控制模型的随机性。		* 设置随机数：控制模型的随机性。
	* 评估算法：训练中使用的指标。指定的值还决定了要解决的机器学习问题。可选Logloss, 交叉熵, Precision, Recall, MCC。		* 评估算法：训练中使用的指标。指定的值还决定了要解决的机器学习问题。可选Logloss, 交叉熵, Precision, Recall, MCC。
	* ~~树深：~~		* 树深：树的最大深度。
	* 迭代次数：使用CatBoost解决机器学习问题时可以构建的最大迭代次数。		* 迭代次数：使用CatBoost解决机器学习问题时可以构建的最大迭代次数。
	* 学习率：默认0.1。		* 学习率：默认0.1。

Wurong：/* 参数配置 */

2024-01-22T02:17:50Z

参数配置

←上一版本		2024年1月22日 (一) 10:17的版本
第57行：		第57行：
	===参数配置===		===参数配置===
	* 设置随机数：控制模型的随机性。		* 设置随机数：控制模型的随机性。
	* ~~基础估计器选择：构建增强整体的基本估计器。默认基本估计器用决策树分类估计器，初始化最大深度为1。~~		* 评估算法：训练中使用的指标。指定的值还决定了要解决的机器学习问题。可选Logloss, 交叉熵, Precision, Recall, MCC。
	** 决策树，		* 树深：
	** 支持向量机。		* 迭代次数：使用CatBoost解决机器学习问题时可以构建的最大迭代次数。
	* ~~估计器数量：默认为100。~~		* 学习率：默认0.1。
	* ~~Boosting算法选择：SAMME~~.~~R 算法通常比 SAMME 收敛得更快，从而通过更少的提升迭代实现更低的测试误差。~~
	** SAMME：离散增强算法。
	** SAMME.R：真实增强算法。
	* 学习率：在每次迭代时应用于每个分类器的权重。较高的学习率会增加每个分类器的贡献。

	===注意事项===		===注意事项===

2024年1月19日 (五) 11:29 Zeroclanzhang

2024-01-19T11:29:06Z

←上一版本		2024年1月19日 (五) 19:29的版本
第7行：		第7行：
	\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=~~[[Has english name::~~Boosting_CatBoost]]		\|nodeenglishname=Boosting_CatBoost
	\|abbreviation=~~[[Has abbreviation::~~CatBoost]]		\|abbreviation=CatBoost
	\|funcmaincategory=机器学习		\|funcmaincategory=机器学习
	\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]		\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]
第27行：		第27行：
	\|nextnode=[[Logistic分类器]]		\|nextnode=[[Logistic分类器]]
	}}		}}

	==算法概述==		==算法概述==
	CatBoost是Yandex开发的开源软件库。它提供了一个梯度增强框架，其中尝试使用与经典算法相比的排列驱动替代方案来解决分类特征<ref>Zhang, Yixiao; Zhao, Zhongguo; Zheng, Jianghua (2020). "CatBoost: A new approach for estimating daily reference crop evapotranspiration in arid and semi-arid regions of Northern China." ''Journal of Hydrology'' 588: 125087. Elsevier.</ref>。它适用于Linux、Windows、macOS，并且可用于 Python、R，并且使用 catboost 构建的模型可用于C++、Java、C#、Rust、Core ML中的预测、ONNX和PMML。源代码已根据Apache 许可证获得许可，并可在 GitHub 上获取。		CatBoost是Yandex开发的开源软件库。它提供了一个梯度增强框架，其中尝试使用与经典算法相比的排列驱动替代方案来解决分类特征<ref>Zhang, Yixiao; Zhao, Zhongguo; Zheng, Jianghua (2020). "CatBoost: A new approach for estimating daily reference crop evapotranspiration in arid and semi-arid regions of Northern China." ''Journal of Hydrology'' 588: 125087. Elsevier.</ref>。它适用于Linux、Windows、macOS，并且可用于 Python、R，并且使用 catboost 构建的模型可用于C++、Java、C#、Rust、Core ML中的预测、ONNX和PMML。源代码已根据Apache 许可证获得许可，并可在 GitHub 上获取。
第74行：		第73行：
	== 参考文献 ==		== 参考文献 ==
	{{reflist}}		{{reflist}}


	{{Navplate AlgorithmNodeList}}		{{Navplate AlgorithmNodeList}}

	[[Category:分类训练器]]		[[Category:分类训练器]]

Zeroclanzhang：撤销Zeroclanzhang（讨论）的版本5713

2024-01-19T10:18:36Z

撤销Zeroclanzhang（讨论）的版本5713

←上一版本		2024年1月19日 (五) 18:18的版本
第1行：		第1行：
	#~~Redirect~~ [[~~CatBoost~~]]		{{Infobox nodebasic
			\|nodename=CatBoost
			\|nodeimage=Boosting_CatBoost.png
			\|icon=Boosting_CatBoost.svg
			\|simpleicon=Boosting_CatBoost_Pure.svg
			\|developer=Dev.Team-DPS
			\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
			\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
			\|nodeenglishname=[[Has english name::Boosting_CatBoost]]
			\|abbreviation=[[Has abbreviation::CatBoost]]
			\|funcmaincategory=机器学习
			\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]
			\|nodecategory=数据挖掘
			\|nodeinterpretor=Python
			\|nodeshortdescription=<p>CatBoost是一种基于梯度提升树的机器学习算法，由Yandex开发。它专门用于处理分类问题，并具有许多独特的特性和优势。</p><p>CatBoost旨在提供高性能、可扩展且易于使用的机器学习解决方案。</p>
			\|nodeinputnumber=2
			\|nodeoutputnumber=3
			\|nodeloopsupport=否
			\|nodeifswitchsupport=否
			\|nodeavailableplotlist=nodenoplotoutput
			\|nodeavailabletablelist=Table_For_Downstream
			\|nodeconfiguration=VariableList;DropMenu;Text
			\|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■
			\|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■
			\|statsapewikiurl=https://wiki.statsape.com/CatBoost
			\|previousnode=[[XGBoost]]
			\|nextnode=[[Logistic分类器]]
			}}

			==算法概述==
			CatBoost是Yandex开发的开源软件库。它提供了一个梯度增强框架，其中尝试使用与经典算法相比的排列驱动替代方案来解决分类特征<ref>Zhang, Yixiao; Zhao, Zhongguo; Zheng, Jianghua (2020). "CatBoost: A new approach for estimating daily reference crop evapotranspiration in arid and semi-arid regions of Northern China." ''Journal of Hydrology'' 588: 125087. Elsevier.</ref>。它适用于Linux、Windows、macOS，并且可用于 Python、R，并且使用 catboost 构建的模型可用于C++、Java、C#、Rust、Core ML中的预测、ONNX和PMML。源代码已根据Apache 许可证获得许可，并可在 GitHub 上获取。

			==示例代码-CatBoost分类节点==
			该节点使用Python编写，调用catboost包<ref>Hancock, John T.; Khoshgoftaar, Taghi M. (2020). "CatBoost for big data: an interdisciplinary review." ''Journal of big data'' 7(1): 1-45.</ref>。以下为示例代码：
			<syntaxhighlight lang="Python">
			from catboost import CatBoostClassifier
			model = CatBoostClassifier(
			iterations=15,
			verbose=3
			)
			model.fit(
			X_train, y_train,
			cat_features=cat_features,
			eval_set=(X_validation, y_validation),
			)
			</syntaxhighlight>
			如果想使用完全代码请参考：https://github.com/catboost/tutorials/

			拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。

			=='''节点使用指南'''==
			* 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
			* 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
			===变量配置===
			* 选择特征变量：作为特征进行学习的变量（X），多选。
			* 选择目标变量：作为结局的二分类变量（y），单选。

			===参数配置===
			* 设置随机数：控制模型的随机性。
			* 基础估计器选择：构建增强整体的基本估计器。默认基本估计器用决策树分类估计器，初始化最大深度为1。
			** 决策树，
			** 支持向量机。
			* 估计器数量：默认为100。
			* Boosting算法选择：SAMME.R 算法通常比 SAMME 收敛得更快，从而通过更少的提升迭代实现更低的测试误差。
			** SAMME：离散增强算法。
			** SAMME.R：真实增强算法。
			* 学习率：在每次迭代时应用于每个分类器的权重。较高的学习率会增加每个分类器的贡献。

			===注意事项===
			* 不支持带空值运算，用[[多重插补]]或[[插补空值]]进行插补，
			* 节点不出图，
			* 导入该节点的数据端口为训练数据集，导入前注意转换。

			== 参考文献 ==
			{{reflist}}

			{{Navplate AlgorithmNodeList}}

			[[Category:分类训练器]]

Zeroclanzhang：重定向页面至CatBoost

2024-01-19T10:09:18Z

重定向页面至CatBoost

←上一版本		2024年1月19日 (五) 18:09的版本
第1行：		第1行：
	~~{{Infobox nodebasic~~		#Redirect [[CatBoost]]
	~~\|nodename=CatBoost~~
	~~\|nodeimage=Boosting_CatBoost.png~~
	~~\|icon=Boosting_CatBoost.svg~~
	~~\|simpleicon=Boosting_CatBoost_Pure.svg~~
	~~\|developer=Dev.Team-DPS~~
	~~\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用~~
	~~\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署~~
	~~\|nodeenglishname=[[Has english name::Boosting_CatBoost]]~~
	~~\|abbreviation=[[Has abbreviation::CatBoost]]~~
	~~\|funcmaincategory=机器学习~~
	~~\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]~~
	~~\|nodecategory=数据挖掘~~
	~~\|nodeinterpretor=Python~~
	\|nodeshortdescription=<p>CatBoost是一种基于梯度提升树的机器学习算法，由Yandex开发。它专门用于处理分类问题，并具有许多独特的特性和优势。</p><p>CatBoost旨在提供高性能、可扩展且易于使用的机器学习解决方案。</p>
	~~\|nodeinputnumber=2~~
	~~\|nodeoutputnumber=3~~
	~~\|nodeloopsupport=否~~
	~~\|nodeifswitchsupport=否~~
	~~\|nodeavailableplotlist=nodenoplotoutput~~
	~~\|nodeavailabletablelist=Table_For_Downstream~~
	~~\|nodeconfiguration=VariableList;DropMenu;Text~~
	~~\|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■~~
	~~\|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■~~
	~~\|statsapewikiurl=https://wiki.statsape.com/CatBoost~~
	~~\|previousnode=[~~[~~XGBoost]]~~
	~~\|nextnode=~~[~~[Logistic分类器]]~~
	}}

	~~==算法概述==~~
	CatBoost是Yandex开发的开源软件库。它提供了一个梯度增强框架，其中尝试使用与经典算法相比的排列驱动替代方案来解决分类特征<ref>Zhang, Yixiao; Zhao, Zhongguo; Zheng, Jianghua (2020). "CatBoost: A new approach for estimating daily reference crop evapotranspiration in arid and semi-arid regions of Northern China." ''Journal of Hydrology'' 588: 125087. Elsevier.</ref>。它适用于Linux、Windows、macOS，并且可用于 Python、R，并且使用 catboost 构建的模型可用于C++、Java、C#、Rust、Core ML中的预测、ONNX和PMML。源代码已根据Apache 许可证获得许可，并可在 GitHub 上获取。

	~~==示例代码-CatBoost分类节点==~~
	~~该节点使用Python编写，调用catboost包<ref>Hancock, John T.; Khoshgoftaar, Taghi M. (2020). "~~CatBoost ~~for big data: an interdisciplinary review." ''Journal of big data'' 7(1): 1-45.</ref>。以下为示例代码：~~
	~~<syntaxhighlight lang="Python">~~
	~~from catboost import CatBoostClassifier~~
	~~model = CatBoostClassifier(~~
	~~iterations=15,~~
	~~verbose=3~~
	)
	~~model.fit(~~
	~~X_train, y_train,~~
	~~cat_features=cat_features,~~
	~~eval_set=(X_validation, y_validation),~~
	)
	~~</syntaxhighlight>~~
	~~如果想使用完全代码请参考：https://github.com/catboost/tutorials/~~

	~~拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。~~

	~~=='''节点使用指南'''==~~
	* 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
	* 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
	~~===变量配置===~~
	* 选择特征变量：作为特征进行学习的变量（X），多选。
	* 选择目标变量：作为结局的二分类变量（y），单选。

	~~===参数配置===~~
	* 设置随机数：控制模型的随机性。
	* 基础估计器选择：构建增强整体的基本估计器。默认基本估计器用决策树分类估计器，初始化最大深度为1。
	** 决策树，
	** 支持向量机。
	* 估计器数量：默认为100。
	* Boosting算法选择：SAMME.R 算法通常比 SAMME 收敛得更快，从而通过更少的提升迭代实现更低的测试误差。
	** SAMME：离散增强算法。
	** SAMME.R：真实增强算法。
	* 学习率：在每次迭代时应用于每个分类器的权重。较高的学习率会增加每个分类器的贡献。

	~~===注意事项===~~
	* 不支持带空值运算，用[[多重插补]]或[[插补空值]]进行插补，
	* 节点不出图，
	* 导入该节点的数据端口为训练数据集，导入前注意转换。

	~~== 参考文献 ==~~
	~~{{reflist}}~~

	~~{{Navplate AlgorithmNodeList}}~~

	~~[[Category:分类训练器~~]]

Wurong：/* 算法概述 */

2024-01-19T03:18:55Z

算法概述

←上一版本		2024年1月19日 (五) 11:18的版本
第29行：		第29行：

	==算法概述==		==算法概述==
	~~AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法~~<ref>~~{{cite book \|author1=Freund~~, ~~Yoav \|author2=Schapire~~, ~~Robert E~~. ~~\|title=~~A ~~Decision~~-~~Theoretic Generalization~~ of ~~On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10~~.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite journal \|author1=Hastie, Trevor \|author2=Rosset, Saharon \|author3=Zhu, Ji \|author4=Zou, Hui \|title=Multi-class AdaBoost \|journal=Statistics and Its Interface \|volume=2 \|issue=3 \|year=2009 \|pages=349–360}}</ref>		CatBoost是Yandex开发的开源软件库。它提供了一个梯度增强框架，其中尝试使用与经典算法相比的排列驱动替代方案来解决分类特征<ref>Zhang, Yixiao; Zhao, Zhongguo; Zheng, Jianghua (2020). "CatBoost: A new approach for estimating daily reference crop evapotranspiration in arid and semi-arid regions of Northern China." ''Journal of Hydrology'' 588: 125087. Elsevier.</ref>。它适用于Linux、Windows、macOS，并且可用于 Python、R，并且使用 catboost 构建的模型可用于C++、Java、C#、Rust、Core ML中的预测、ONNX和PMML。源代码已根据Apache 许可证获得许可，并可在 GitHub 上获取。

	==示例代码-CatBoost分类节点==		==示例代码-CatBoost分类节点==

Wurong：/* 示例代码-CatBoost分类节点 */

2024-01-19T03:15:36Z

示例代码-CatBoost分类节点

←上一版本		2024年1月19日 (五) 11:15的版本
第45行：		第45行：
	)		)
	</syntaxhighlight>		</syntaxhighlight>
	如果想使用完全代码请参考：https://github.com/catboost/tutorials/。		如果想使用完全代码请参考：https://github.com/catboost/tutorials/

	拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。		拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。

Wurong：/* 示例代码-CatBoost分类节点 */

2024-01-19T03:14:43Z

示例代码-CatBoost分类节点

←上一版本		2024年1月19日 (五) 11:14的版本
第45行：		第45行：
	)		)
	</syntaxhighlight>		</syntaxhighlight>
	如果想使用完全代码请参考：https://github.com/catboost/tutorials/~~blob/master/python_tutorial_with_tasks.ipynb。~~		如果想使用完全代码请参考：https://github.com/catboost/tutorials/。

	拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。		拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。

Wurong：/* 示例代码-CatBoost分类节点 */

2024-01-19T03:13:59Z

示例代码-CatBoost分类节点

←上一版本		2024年1月19日 (五) 11:13的版本
第46行：		第46行：
	</syntaxhighlight>		</syntaxhighlight>
	如果想使用完全代码请参考：https://github.com/catboost/tutorials/blob/master/python_tutorial_with_tasks.ipynb。		如果想使用完全代码请参考：https://github.com/catboost/tutorials/blob/master/python_tutorial_with_tasks.ipynb。

	拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。		拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。

CatBoost - 版本历史

Wurong：​/* 参数配置 */

Wurong：​/* 参数配置 */

Wurong：​/* 参数配置 */

2024年1月19日 (五) 11:29 Zeroclanzhang

Zeroclanzhang：​撤销Zeroclanzhang（讨论）的版本5713

Zeroclanzhang：​重定向页面至CatBoost

Wurong：​/* 算法概述 */

Wurong：​/* 示例代码-CatBoost分类节点 */

Wurong：​/* 示例代码-CatBoost分类节点 */

Wurong：​/* 示例代码-CatBoost分类节点 */

Wurong：/* 参数配置 */

Wurong：/* 参数配置 */

Wurong：/* 参数配置 */

Zeroclanzhang：撤销Zeroclanzhang（讨论）的版本5713

Zeroclanzhang：重定向页面至CatBoost

Wurong：/* 算法概述 */

Wurong：/* 示例代码-CatBoost分类节点 */

Wurong：/* 示例代码-CatBoost分类节点 */

Wurong：/* 示例代码-CatBoost分类节点 */