แคทบูสต์
ผู้เขียนต้นฉบับ	Andrey Gulin: [ 1 ] / Yandex
นักพัฒนา	ผู้ร่วมให้ข้อมูล Yandexและ CatBoost [ 2 ]
ปล่อย	18 กรกฎาคม 2560 [ 3 ] [ 4 ] ( 18 กรกฎาคม 2560 )
เวอร์ชันเสถียร	1.2.8 [ 5 ] / 13 เมษายน 2568 ( 13 เมษายน 2568 )
เขียนเป็น	Python , R , C++ , Java
ระบบปฏิบัติการ	ลินุกซ์ , มอสซาเรลล่า , วินโดวส์
พิมพ์	การเรียนรู้ของเครื่อง
ใบอนุญาต	ใบอนุญาต Apache 2.0
เว็บไซต์	catboost .ai

CatBoost ^{[ 6 ]}เป็นไลบรารีซอฟต์แวร์โอเพนซอร์สที่พัฒนาโดยYandexโดยมี เฟรมเวิร์ก การเพิ่มประสิทธิภาพแบบไล่ระดับซึ่งในบรรดาคุณสมบัติอื่นๆ พยายามแก้ปัญหาสำหรับคุณลักษณะเชิงหมวดหมู่โดยใช้ทางเลือกที่ขับเคลื่อนด้วยการเรียงสับเปลี่ยนแทนอัลกอริทึมแบบคลาสสิก^{[ 7 ] สามารถใช้งานได้บน Linux, Windows, macOS และมีให้ใช้งานใน Python [ 8 ] R} [ 9 ] และโมเดลที่สร้าง โดยใช้^{CatBoost สามารถ}ใช้สำหรับ^{การทำนาย}ในC++ , Java [ ^{10 ]} C# ^, Rust , Core ML , ONNXและPMMLซอร์สโค้ดได้รับอนุญาตภายใต้Apache License และมีให้ ^ใช้งานบน GitHub ^{[ 6 ]}

นิตยสาร InfoWorldมอบรางวัลให้กับไลบรารีนี้ในฐานะ "เครื่องมือการเรียนรู้ของเครื่องที่ดีที่สุด" ประจำปี 2017 ^{[ 11 ]}ร่วมกับ TensorFlow , Pytorch , XGBoostและไลบรารีอื่นๆ อีก 8 ไลบรารี

Kaggleระบุว่า CatBoost เป็นหนึ่งในเฟรมเวิร์กการเรียนรู้ของเครื่อง (ML) ที่ใช้บ่อยที่สุดในโลก โดยติดอันดับ 8 เฟรมเวิร์ก ML ที่ใช้บ่อยที่สุดในการสำรวจปี 2020 ^{[ 12 ]}และติดอันดับ 7 เฟรมเวิร์ก ML ที่ใช้บ่อยที่สุดในการสำรวจปี 2021 ^{[ 13 ]}

ณ เดือนเมษายน พ.ศ. 2565 CatBoost ได้รับการติดตั้งประมาณ 100,000 ครั้งต่อวันจากที่เก็บPyPI ^{[ 14 ]}

CatBoost ได้รับความนิยมมากกว่าอัลกอริธึมการเพิ่มประสิทธิภาพแบบไล่ระดับอื่นๆ ส่วนใหญ่เนื่องมาจากคุณสมบัติดังต่อไปนี้^{[ 15 ]}

• การจัดการแบบดั้งเดิมสำหรับคุณลักษณะเชิงหมวดหมู่^{[ 16 ]}
• การฝึกอบรม GPU ที่รวดเร็ว^{[ 17 ]}
• การแสดงผลข้อมูลและเครื่องมือสำหรับการวิเคราะห์แบบจำลองและคุณลักษณะ
• การใช้ ต้นไม้ ที่ไม่รับรู้หรือต้นไม้สมมาตรเพื่อการประมวลผลที่เร็วขึ้น
• การเพิ่มประสิทธิภาพตามลำดับเพื่อเอาชนะปัญหาการโอเวอร์ฟิตติ้ง^{[ 7 ]}

ในปี 2009 Andrey Gulin ได้พัฒนาMatrixNetซึ่งเป็นไลบรารีการเพิ่มประสิทธิภาพแบบไล่ระดับ (gradient boosting) ที่เป็นกรรมสิทธิ์เฉพาะ และถูกนำไปใช้ใน Yandex เพื่อจัดอันดับผลการค้นหา ตั้งแต่ปี 2009 เป็นต้นมา MatrixNet ได้ถูกนำไปใช้ในโครงการต่างๆ ของ Yandex รวมถึงระบบแนะนำสินค้าและระบบพยากรณ์อากาศ

ในช่วงปี 2014–2015 Andrey Gulin ได้ร่วมงานกับทีมวิจัยเพื่อเริ่มต้นโครงการใหม่ชื่อ Tensornet ซึ่งมีเป้าหมายเพื่อแก้ปัญหา "วิธีการทำงานกับข้อมูลเชิงหมวดหมู่ " ผลงานของพวกเขาได้พัฒนาเป็นไลบรารี Gradient Boosting ที่เป็นกรรมสิทธิ์หลายตัว โดยแต่ละตัวมีแนวทางที่แตกต่างกันในการจัดการกับข้อมูลเชิงหมวดหมู่

ในปี 2016 ทีมโครงสร้างพื้นฐานการเรียนรู้ของเครื่อง (Machine Learning Infrastructure) ที่นำโดย Anna Dorogush เริ่มพัฒนา Gradient Boosting ใน Yandex ซึ่งรวมถึง Matrixnet และ Tensornet พวกเขาได้พัฒนาและเปิดเผยซอร์สโค้ดเวอร์ชันถัดไปของไลบรารี Gradient Boosting ที่เรียกว่า CatBoost ซึ่งรองรับข้อมูลประเภทหมวดหมู่และข้อความ การฝึกอบรมด้วย GPU การวิเคราะห์โมเดล และเครื่องมือแสดงภาพข้อมูล

CatBoost เปิดให้ใช้งานแบบโอเพนซอร์สในเดือนกรกฎาคม 2017 และยังคงได้รับการพัฒนาอย่างต่อเนื่องทั้งใน Yandex และชุมชนโอเพนซอร์ส

• JetBrainsใช้ CatBoost สำหรับการเติมโค้ดอัตโนมัติ^{[ 18 ]}
• Cloudflareใช้ CatBoost สำหรับการตรวจจับบอท^{[ 19 ]}
• Careemใช้ CatBoost เพื่อทำนายจุดหมายปลายทางในอนาคตของการเดินทาง^{[ 20 ]}

• การเปรียบเทียบซอฟต์แวร์การเรียนรู้ของเครื่อง
• การเรียนรู้ของเครื่อง
• การเพิ่มประสิทธิภาพแบบไล่ระดับ
• แท็บพีเอฟเอ็น
• เอ็กซ์จีบูสต์
• ไลท์จีบีเอ็ม
• scikit-learn

• แคทบูสต์
• GitHub - catboost/catboost
• CatBoost - Yandex Technology