catboost
Una biblioteca rápida, escalable y de alto rendimiento de Gradient Boosting sobre árboles de decisión, utilizada para clasificación, regresión y otras tareas de aprendizaje automático para Python, R, Java, C++. Soporta computación en CPU y GPU.
Utiliza CatBoost para construir modelos de aprendizaje automático para tareas como clasificación, ranking y regresión en varios lenguajes de programación.
Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.
Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.
Gratis · sin tarjeta · cancela cuando quierasUna biblioteca rápida, escalable y de alto rendimiento de Gradient Boosting sobre árboles de decisión, utilizada para clasificación, regresión y otras tareas de aprendizaje automático para Python, R, Java, C++. Soporta computación en CPU y GPU.
catboost tiene 9k estrellas en GitHub. Se ha bifurcado 1.3k veces. catboost está escrito principalmente en C++. Se desarrolla activamente desde 2017. catboost está disponible bajo la licencia Apache-2.0. Sus temas principales son: big-data, catboost, categorical-features, coreml.
¿Qué es catboost?
Una biblioteca rápida, escalable y de alto rendimiento de Gradient Boosting sobre árboles de decisión, utilizada para clasificación, regresión y otras tareas de aprendizaje automático para Python, R, Java, C++. Soporta computación en CPU y GPU.
¿catboost es de código abierto?
catboost es un proyecto de código abierto. Se distribuye bajo la licencia Apache-2.0.
¿catboost es gratis?
Sí. catboost es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.
¿Bajo qué licencia está catboost?
catboost está disponible bajo la licencia Apache-2.0.
¿En qué lenguaje está escrito catboost?
catboost está escrito principalmente en C++.
Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.
[](https://opensourceai.tech/project/catboost-catboost.html)
Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.