Яндекс: CatBoost

CatBoost - метод машинного обучения.

2025: Попадание в список самых популярных алгоритмов машинного обучения в мире наряду с технологиями Google, Microsoft и Intel

Алгоритм CatBoost, разработанный компанией «Яндекс», вошел в число наиболее востребованных инструментов машинного обучения в мировой фундаментальной и прикладной науке. Этот факт установлен в отчете американского издания MarkTechPost от декабря 2025 года. Его авторы проанализировали 5 тыс. научных публикаций журнала Nature за 2025 год.

По данным пресс-службы «Яндекса», CatBoost является единственной российской технологией, представленной в данном глобальном обзоре. Алгоритм входит в узкую группу из пяти неамериканских разработок, ставших мировым научным стандартом, наряду с французским Scikit-learn, немецким U-Net, канадскими GAN и RNN, а также британским AlphaFold. Согласно отчету, алгоритм «Яндекса» применяется в каждой тридцатой исследовательской работе, конкурируя с решениями таких корпораций, как Google, Microsoft, Intel и Amazon.

𝓲

Фото: Freepik

Лидером по цитированию алгоритма в Nature стал Китай с долей в 32% публикаций. Высокий спрос CatBoost в КНР связан с активным развитием исследований на основе машинного обучения, в частности ансамблевых методов. В этих методах для решения одной задачи применяют несколько моделей, включая CatBoost. Эффективность вместо расходов: на чем реально будет держаться ИБ в 2026 году 19.8 т

В США алгоритм «Яндекса» используют наравне с локальными аналогами в ведущих научных центрах, включая Гарвардский и Стэнфордский университеты. В отчете указано, что доля американских публикаций с упоминанием CatBoost составляет 13%, что сопоставимо с показателями его прямых конкурентов: XGBoost (15%), классического Gradient Boosting Model (12%) и LightGBM (10%).

Изначально созданный для поисковых задач, CatBoost сегодня применяется во многих сервисах «Яндекса», таких как «Погода», «Директ», «Маркет» и «Музыка». Как отмечает пресс-служба компании, алгоритм специализируется на анализе табличных данных, выявляя в них сложные закономерности. Его ключевое преимущество — способность работать с категориальными признаками без предварительного преобразования.^[1]

2017: Разработка технологии

18 июля 2017 года компания Яндекс сообщила о создании метода машинного обучения CatBoost. Он предназначен для обучения моделей на разнородных данных.

В основу берутся сведения о местонахождении пользователя, история операций и тип устройства. Библиотека машинного обучения CatBoost опубликована в открытом доступе, её могут использовать все желающие.

CatBoost заявлена, как наследник метода машинного обучения Матрикcнет - он применяется почти во всех сервисах Яндекса. Как и Матрикснет, CatBoost использует механизм градиентного бустинга (англ. boosting - улучшение): он подходит для работы с разнородными данными.

CatBoost учитывает модели числовых и нечисловых данных - виды облаков или типы зданий. Прежде эти данные переводились на язык цифр, и это могло поменять их суть, повлиять на точность работы модели. Теперь их можно использовать в первоначальном виде. Это помогает CatBoost демонстрировать повышенное качество обучения. Его можно применять в разных сферах - от банковской до производственной.

Яндекс много лет занимается машинным обучением, и CatBoost создавали лучшие специалисты в этой области. Выкладывая библиотеку CatBoost в открытый доступ, мы хотим внести свой вклад в развитие машинного обучения. Надо сказать, что CatBoost — российский метод машинного обучения, который стал доступен в open sourсe. Надеемся, что сообщество специалистов оценит его по достоинству и поможет сделать ещё лучше. Михаил Биленко, руководитель управления машинного интеллекта и исследований Яндекса

Метод протестирован на сервисах Яндекса. В рамках эксперимента он применялся для улучшения результатов поиска, ранжирования ленты рекомендаций Яндекс.Дзен и для расчёта прогноза погоды в технологии Метеум. В дальнейшем CatBoost будет работать и на других сервисах. Его использует команда Yandex Data Factory — в своих решениях для промышленности, в частности для оптимизации расхода сырья и предсказания дефектов. Европейский центр ядерных исследований (ЦЕРН) внедрил CatBoost: центр использует продукт для объединения данных, полученных с разных частей детектора LHCb.

Для работы с CatBoost достаточно установить его на компьютер. Библиотека поддерживает операционные системы Linux, Windows и macOS и доступна на языках программирования Python и R.

Загрузка CatBoost доступна на GitHub.

Робототехника

Примечания