Документация

Ага, а для logloss — то же самое, только вместо t_i — c_i.

T — target (любой), а c — class ( строго бинарный)? В этом вся суть?

Да

Спасибо!

скажите, а в jupyter lab виджеты работают?

нет

добрый день коллеги. попробовал использовать консольную версию CatBoost'а (весь пре-процессинг делал до этого). понравилось. даже на скромном железе очень бодро обучается и применяется. вопрос - является ли консольная версия самой шустрой в плане чтения данных в память и обучения (про удобство и гибкость речь не идёт)?

Там тот же код, что в питоне, скорость та же

Скорость самих итераций обучения должна быть примерно одинаковой. С чтением данных в память есть ньюансы. В python загружать данные из dsv-файла сначала в pandas.DataFrame или numpy.ndarray, а потом уже передавать его в CatBoost будет скорее всего медленнее (из-за парсинга файлов в python в 1 поток), чем загружать их через конструктор catboost.Pool с передачей ему имени файла или в CLI (в этом случае парсинг файла многопоточный). Последние 2 случая должны работать примерно с одинаковой скоростью.

Спасибо, я просто помню про это говорили какое-то время назад. Вот и спросил на всякий случай

спасибо, понял👍

Возможно, вопрос глупый, но все же задам его.
Можно как-либо объявить допустимый интервал для предикта у CatBoostRegressor? Например, объявить, что значение не может быть ниже 0? (в обучающей выборке все > 0) Сейчас чтобы избавиться от невозможных значений делаю постобработку

а как деревянные модели могут выйти за пределы обучающей выборки?

Легко

Бустинг может, он ведь антиградиенты приближает, а там по всякому может быть

Они же по градиенту идут

Клип - вполне себе вариант

Можно использовать экспоненциальное преобразование предиктов

Но судя по доке, нашел только LogLinQuantile, который это делает из лоссов