问题标签 [catboost]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
machine-learning - CatBoost 精度不平衡类
我使用 CatBoostClassifier 并且我的课程高度不平衡。我应用了一个 scale_pos_weight 参数来解决这个问题。在使用评估数据集（测试）进行训练时，CatBoost 在测试中显示出很高的精度。但是，当我使用 predict 方法对测试进行预测时，我只能得到低精度分数（使用 sklearn.metrics 计算）。
我认为这可能与我应用的班级权重有关。但是，我不太了解精度分数如何受此影响。
我希望在训练时获得与 CatBoost 显示相同的精度，但事实并非如此。我究竟做错了什么？
python - 为什么 pip install 不适用于 catboost？
我必须安装 catboost 但无法通过pip install catboost.
Anaconda 中没有 catboost 库，所以以一种方式进行 pip。
错误信息是：
Python 版本是 3.6.3。
错误截图：
我试过了 ：
和
这些都不起作用。
为什么会出现这个问题，有没有另一种安装catboost的方法？
r - catboost R 分类转换为数字
如果我有一个数据框，比如说，第 1 列和第 2 列中的因子以及第 3 列中的标签，那么以下之间是否有任何区别：
和
也就是说，即使我没有在catboost.load_pool?
b) R 包中是否有将分类值转换为数字的矩阵？
python - 为 CatBoostRegressor 实现自定义目标函数
我正在将 CatBoostRegressor 用于监督学习问题，并且我想使用自定义目标函数，但我不知道如何以与 CatBoost 完全兼容并针对计算效率进行优化的方式来实现它。
我面临着选择 RMSE（均方根误差）和 MAE（平均绝对误差）之间的权衡，因此我定义了一个自定义目标函数，试图两全其美。
RMSE 倾向于产生“无偏”估计量，因为在一组数字上最小化 RMSE 会导致找到它的均值。另一方面，与大量小错误相比，它倾向于更严重地惩罚少量大错误。这是一个包含两个数据点的示例：如果误差为 [5, 5]，则 RMSE 为 7.07，而如果误差为 [0, 10]，则 RMSE 为 10。
MAE 的优点是对少量大错误和大量小错误进行同等惩罚（在上面的示例中，[5, 5] 和 [0, 10] 的 MAE=5）。另一方面，它往往会产生有偏差的估计量，因为在一组数字上最小化 MAE 会导致找到它的中值，如果存在异常值，它可能与均值显着不同。
我想定义一个两全其美的成本函数：
1）我的成本函数应该平等地惩罚少量大错误和大量小错误，就像 MAE
2）我的成本函数应该倾向于产生无偏估计：在一组数字上最小化我的成本函数应该导致找到它的平均值，就像 RMSE
这个想法是采用 MAE 并惩罚偏见。这是成本函数的 Python 代码：
RMSE 和 MAE 已经在 CatBoost 中实现（https://tech.yandex.com/catboost/doc/dg/concepts/loss-functions-regression-docpage/）。我在这里找到了一个关于实现自定义损失函数的教程https://github.com/catboost/tutorials/blob/master/custom_loss/custom_metric_tutorial.md，但我无法根据我的公式修改成本函数，因为它需要用 C++ 编写（https://github.com/catboost/catboost/issues/521）。我将衷心感谢您的帮助。
machine-learning - 在 CatBoost 中测量 AUPRC
我想在 catboost 中测量精确召回曲线 (AUPRC) 曲线下的面积，但CatBoostClassifier, 没有AUPRC作为评估指标。任何有助于我测量此性能指标的建议将不胜感激。
这是我使用的代码：
catboost - CatBoost 训练期间的信息消息
我是 CatBoost 的新手，我正在使用logging_level = "Info". 我的数据由分类变量和数值变量组成。
首先，对于其中一个分类变量，我在打印的信息中收到以下消息：feature 21 is redundant categorical feature, skipping it. 这个特征的冗余度是如何确定的？
此外，对于迭代的所有信息代表什么，我有点迷茫。这是我的一次训练迭代的信息输出：
在这种情况下，Feature1 和 Feature3 是分类的，而 Feature2 和 Feature4 是数值的。
pr0, tb1,type0等所有值score代表什么？任何指向文档的指针将不胜感激。
python - CatBoost 边框
由于边框小，我无法使用 catboost 开始 catboost 学习。
所以我得到了
数据https://drive.google.com/drive/folders/1m7bNIs0mZQQkAsvkETB3n6j62p9QJX39?usp=sharing
catboost - 为什么在 CPU 上学习比在 GPU 上学习慢
我有：GPU：GeForce RTX 2070 8GB。CPU：AMD Ryzen 7 1700 八核处理器。内存：32GB。驱动程序版本：418.43。CUDA 版本：10.1。在我的项目中，gpu 也比 cpu 慢。但现在我将使用文档示例。
gpu上的训练时间：4.838074445724487
cpu上的训练时间：0.43390488624572754
为什么gpu上的训练时间比cpu上的多？
python-3.x - 未知类名的 CatBoostError
当我运行下面的代码时，会出现以下错误：
我的代码：
Catboost 版本：0.13
Python 版本：3.7
catboost - CV 如何确定使用哪个函数？
我对 CV 课程感到困惑。我认为它接受像 scikit-learn 中的回归器或分类器模型。但是，我在 CV 的输入中没有找到任何这样的模型。你能告诉我 CV 类是如何决定适合哪个模型的吗？