◆ AI freelancer? Become one of the first 2,000 founding members: 0 % commission, 60 days Advanced (start whenever you like) and your own cover image forever. AI freelancer? 0 % commission + 60 days Advanced Secure your spot →More →
Connect your AIKI

Search KI-Radar24 for AI tools, AI companies and AI freelancers right from your AI assistant.

How the KI-Radar24 connector works
Add listing
CatBoost

CatBoost

Open-source gradient boosting with native handling of categorical data

Description

catboost.ai ist eine hochperformante Open-Source-Bibliothek für Gradient Boosting auf Entscheidungsbäumen, die auch ohne umfangreiches Parameter-Tuning gute Ergebnisse liefern soll.

Das Tool richtet sich an Data Scientists und ML-Entwickler, die Modelle für tabellarische Daten mit vielen kategorialen Merkmalen erstellen wollen.

Tags

  • Modelltraining
  • Datenanalyse
  • Machine Learning
  • Kostenlos nutzbar
  • Open Source

Last updated: November 2026 · Report an error · Badge for your website

At a glance

As of: November 2026
🛡️Privacy

Entwickelt von Yandex; die Bibliothek wird laut Projektseite intern bei Yandex und von weiteren Organisationen eingesetzt. Ein Firmensitz ist in der abgerufenen Quelle nicht eindeutig belegt. Die Bibliothek läuft in der eigenen Umgebung, sodass Hosting-Standort und Datenschutz in der Verantwortung der Anwender liegen; Zertifizierungen oder Training mit Kundendaten sind nicht öffentlich dokumentiert.

💰
Pricing model

Open-Source-Bibliothek, kostenlos nutzbar.

👥
Target audience
Data ScientistsML-IngenieureAnalysten
⚙️
Technology

Gradient Boosting auf Entscheidungsbäumen mit nativer Behandlung kategorialer Merkmale sowie schneller, skalierbarer GPU-Version, auch mit mehreren GPUs.

🔗
Integrations
Python-Paket mit Installations- und DokumentationsseitenWeitere Anbindungen laut Projektdokumentation
📊
Features
Native Verarbeitung kategorialer DatenGPU-TrainingMaßnahmen gegen ÜberanpassungSchnelle Inferenz

✅ Pros

  • Gute Standardeinstellungen und direkte Verarbeitung kategorialer Daten ohne aufwendige Vorverarbeitung

❌ Cons

  • Herkunft und Governance des Projekts sollten vor dem Einsatz geprüft werden
  • Training kann bei großen Datensätzen und vielen kategorialen Merkmalen rechenintensiv sein
🎯
Who is it for?

Vor allem interessant für Teams mit tabellarischen Daten und vielen kategorialen Variablen, die robuste Boosting-Modelle benötigen.

Information provided by the vendor, As of November 2026, no guarantee. Spotted a mistake? Report

reviews

No reviews yet. Be the first!

Write a review

Your email will not be published.