[ Stack technique ]
CatBoost
Le gradient boosting de Yandex qui digère les variables catégorielles sans prétraitement.
CatBoost entraîne des arbres symétriques (oblivious trees) par gradient boosting ordonné : les résidus de chaque exemple viennent d'un modèle qui ne l'a pas vu, ce qui corrige le biais de prédiction des boosters classiques. Il encode lui-même les variables catégorielles par statistiques de cible ordonnées et leurs combinaisons, gère texte et embeddings, et fonctionne bien avec ses hyperparamètres par défaut. Disponible en Python, R, Java et C++ avec accélération GPU, c'est notre choix face à des catégories nombreuses ou à forte cardinalité, quand nous voulons un modèle robuste sans longue phase de tuning.
[ Pourquoi CatBoost chez Dexon ]
Ce que cette techno fait bien, et pourquoi nous la mobilisons.
Usage typique : Scoring client, tarification assurance, recommandation et classification sur données riches en catégories.
- 01
Boosting ordonné : moins de surapprentissage sur les petits et moyens jeux de données.
- 02
Encodage natif des catégories par target statistics ordonnées et combinaisons automatiques.
- 03
Arbres symétriques : prédiction très rapide, modèle compact et robuste par défaut.
- 04
Features texte et embeddings, GPU multi-cartes, export ONNX, CoreML et C++.
[ Technologies complémentaires ]
Les briques que nous mobilisons souvent en parallèle
Une stack existe rarement seule. Voici les technologies que Dexon associe le plus souvent à celle-ci, par habitude de pipeline, similarité d'usage ou maîtrise interne. Cliquez sur une brique pour voir son périmètre.
[ Réassurance ]
- 0+
- projets livrés sur mesure
- 30
- ingénieurs, designers, chefs de projet
- 80 %
- issus des meilleures écoles FR
- 24 h
- délai moyen de réponse
[ Ils nous font confiance ]
Plus de 100 entreprises françaises et européennes nous accordent leur confiance
[ Presse ]
Ils parlent de nous
Découvrez ce que la presse économique et tech dit de nous. Une lecture extérieure de notre travail et de nos innovations.
