Ок, спасибо!

Здравствуйте! Кто-нибудь знает, можно ли как-то получить закодированный катбустом вариант файла?

save_model load_model ?

У меня были данные (в том числе и категориальные), катбуст их перевёл в векторное пространство и начал предсказывать на нем, можно ли увидеть, как именно он кодировал категории?

У объекта Pool есть метод get_cat_feature_hash_to_string

Вот так ты можешь получить хэши:

from catboost import Pool
train_data = [['a', 'b'],['a', 'c'], ['e', 'd']]
train_label = [0,2,1]
train_pool = Pool(train_data, train_label, cat_features=[0,1])
train_pool.get_cat_feature_hash_to_string()

Спасибо большое, это то, что нужно :)

насколько я знаю на GPU multiclass max_ctr_complexity=1 и увеличить его нельзя, поэтому может быть разница в качестве

вообще было бы круто получить возможность указать max_ctr_complexity>1 😊

Да, забыла я про мультикласс, добавим в доку! А имплементацию в ближайшее время не планируем:(

Спасибо! У меня как раз мультиклассовый классификатор

А кто занял первое место и где можно посмотреть результаты?

Скажите, пожалуйста, в пакете для R теперь есть catboost.cv. А где именно можно почитать варианты переменной type, например? Просмотрел документацию в том числе код на гите, но нигде нет или я просто не знаю, где смотреть.

Если я не ошибаюсь, то просто есть один тип и всё пока.

Cross-validate model.
Description
Cross-validate model.

Usage
catboost.cv(pool, params = list(), fold_count = 3,
  type = "Classical", partition_random_seed = 0, shuffle = TRUE,
  stratified = FALSE, early_stopping_rounds = NULL)

В вкашке есть группа цифровой прорыв. Там названия команд и баллы. К сожалению посмотреть прототипы и презентации других команд не дают. Прям секрет 🤔

Вроде раньше early_stopping=True автоматически выставлялся, если было валидационное множество?
Всё поменялось или меня память подводит

Всегда было False, сейчас тоже, но после обучения модель обрезается до лучшей итерации

хм
Ладно, спасибо

Alert! Mmd Sahilu is a known spammer and is CAS banned. Ban is strongly recommended.

Добрый день, ребят!

Тут такой момент: в java пакете catboost при использовании достаточно большого батча (300 документов, 15 признаков) после нескольких сотен итераций программа падает с SIGSEGV. Причиной оказался код освобождения памяти в ai_catboost_CatBoostJNIImpl.cpp:

    Y_SCOPE_EXIT(jenv, &catFeatureMatrixRowObjects, &catFeatureMatrixRows) {
        const auto size = catFeatureMatrixRows.size();
        for (size_t i = 0; i < size; ++i) {
            jenv->ReleaseIntArrayElements(
                catFeatureMatrixRowObjects[i],
                const_cast<jint*>(reinterpret_cast<const jint*>(catFeatureMatrixRows[i].data())),
                0);
        }
    };

Если закомментировать этот участок, то SIGSEGV не возникает, но память, соответственно, не очищается. Хотелось бы как-то исправить эту ошибку, не вызывая мемори лик. Возможно ли узнать ваше мнение, почему такой баг при ReleaseIntArrayElements вообще может происходить? Заранее спасибо!