Une bibliothèque de Gradient Boosting rapide, évolutive et haute performance sur des arbres de décision, utilisée pour le classement, la classification, la régression et d'autres tâches d'apprentissage automatique pour Python, R, Java, C++. Prend en charge le calcul sur CPU et GPU.
Utiliser CatBoost pour construire des modèles d'apprentissage automatique pour des tâches comme le classement, la classification et la régression dans divers langages de programmation.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentUne bibliothèque de Gradient Boosting rapide, évolutive et haute performance sur des arbres de décision, utilisée pour le classement, la classification, la régression et d'autres tâches d'apprentissage automatique pour Python, R, Java, C++. Prend en charge le calcul sur CPU et GPU.
catboost compte 9k étoiles sur GitHub. Il a été forké 1.3k fois. catboost est écrit principalement en C++. Il est développé activement depuis 2017. catboost est disponible sous licence Apache-2.0. Ses principaux thèmes sont : big-data, catboost, categorical-features, coreml.
Une bibliothèque de Gradient Boosting rapide, évolutive et haute performance sur des arbres de décision, utilisée pour le classement, la classification, la régression et d'autres tâches d'apprentissage automatique pour Python, R, Java, C++. Prend en charge le calcul sur CPU et GPU.
catboost est un projet open source. Il est distribué sous licence Apache-2.0.
Oui. catboost est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
catboost est disponible sous licence Apache-2.0.
catboost est écrit principalement en C++.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://opensourceai.tech/project/catboost-catboost.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.