<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>catboost &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/catboost/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Sat, 29 Nov 2025 09:37:57 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>catboost &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Градиентный бустинг: концепция и механизм работы</title>
		<link>https://mlgu.ru/6683/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 29 Nov 2025 09:15:13 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[catboost]]></category>
		<category><![CDATA[gbm]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6683</guid>

					<description><![CDATA[Градиентный бустинг относится к семейству ансамблевых методов машинного обучения, где финальное предсказание формируется как взвешенная сумма предсказаний множества слабых моделей. Ключевое отличие от других ансамблевых подходов — последовательное обучение, при котором каждая новая модель корректирует ошибки предыдущих. Алгоритм строит композицию из простых моделей (чаще всего деревьев решений малой глубины), добавляя их итеративно и минимизируя функцию [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Обучение baseline моделей для временных рядов: инжиниринг признаков, регуляризация, оценка качества</title>
		<link>https://mlgu.ru/5446/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 21 Oct 2025 09:30:17 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[catboost]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[lightgbm]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5446</guid>

					<description><![CDATA[Бейзлайн (baseline) — это простая стартовая модель, определяющая минимально приемлемый уровень качества следующих ML-моделей. Если другие модели с более сложной архитектурой выдают метрики хуже бейзлайна, значит, их применение неоправданно. Нередко так бывает, что линейная регрессия с правильными признаками превосходит нейросеть со слабой подготовкой данных. А градиентный бустинг с грамотной регуляризацией обходит LSTM на горизонте прогноза [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Настройки градиентного бустинга. Гиперпараметры бустинговых ML-моделей</title>
		<link>https://mlgu.ru/4445/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 10 Sep 2025 10:54:44 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[catboost]]></category>
		<category><![CDATA[lightgbm]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4445</guid>

					<description><![CDATA[Градиентный бустинг занимает особое место в арсенале финансовых аналитиков. В отличие от примитивных методов вроде линейной регрессии или банальных индикаторов технического анализа, бустинговые алгоритмы способны улавливать сложные нелинейные зависимости в данных, что особенно важно при работе с финансовыми временными рядами. Однако их эффективность напрямую зависит от корректной настройки множества гиперпараметров, каждый из которых влияет на [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование трафика и конверсий сайта с помощью Catboost</title>
		<link>https://mlgu.ru/1004/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 06 Nov 2024 21:52:23 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[catboost]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1004</guid>

					<description><![CDATA[За последние годы я реализовал множество проектов по прогнозированию метрик веб-сайтов, и могу с уверенностью сказать, что алгоритм CatBoost от Яндекса произвел настоящую революцию в этой области. В данной статье я поделюсь своим опытом использования CatBoost для создания точных прогнозов трафика и конверсий, а также расскажу о тонкостях работы с этим инструментом на реальных данных [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
