CatBoost 工作原理

CatBoost 实现了传统的梯度提升决策树 (GBDT) 算法，并增加了两个关键的算法进步：

这两种技术都是为了对抗由一种特殊目标泄漏所引起的预测偏移，这种偏移存在于梯度提升算法的所有现有实施中。

该 CatBoost 算法在机器学习竞赛中表现良好，因为它可以很好地处理各种数据类型、关系、分布以及你可以微调的超参数的多样性。 CatBoost 可用于回归、分类（二进制和多类）和排名问题。

有关梯度提升的更多信息，请参阅 SageMaker AI XGBoost 算法的工作原理。有关该 CatBoost 方法中使用的其他 GOSS 和 EFB 技术的深入详细信息，请参阅 CatBoost：使用分类特征进行无偏提升。