Изменения
Нет описания правки
Практически любой современный метод на основе градиентного бустинга работает с числовыми признаками. Если у нас в наборе данных присутствуют не только числовые, но и категориальные признаки, то необходимо переводить категориальные признаки в числовые. Это приводит к искажению их сути и потенциальному снижению точности работы модели.
Именно поэтому было важно научить машину работать не только с числовыми признаками, но и с категориальными признаками напрямую, закономерности между которыми она будет выявлять самостоятельно, без ручной «помощи».
CatBoost разработан так{{---}} библиотека для градиентного бустинга, чтобы главным преимуществом которой является то, что она одинаково хорошо работать работает «из коробки» как с числовыми признаками (англ. ''features''), так и с категориальными (англ. ''categorical features'').
Документацию по CatBoost можно найти на сайте<ref>[https://tech.yandex.com/catboost/doc/dg/concepts/about-docpage/| Документация CatBoost]</ref>.
