时间序列预测 | Catboost时间序列预测建模，单步、多步（Python）

Catboost回归

（1）参数解读

无论是回归还是分类，CatBoost的大部分参数都是通用的，但任务的不同性质意味着一些参数可能只在一个任务中有意义。

以下是一些关键参数的简要概述：

（a）通用参数：

learning_rate: 学习率，决定了模型每一步的步长。常用的值为0.01, 0.03, 0.1等。

iterations: 树的数量。

depth: 树的深度。

l2_leaf_reg: L2正则化项的系数。

cat_features: 分类特征的列索引列表。

loss_function: 损失函数。对于分类，常见的是Logloss（二分类）或MultiClass（多分类）。对于回归，常见的是RMSE。

border_count: 用于数值特征的分箱数量。较高的值可能会导致过拟合，较低的值可能会导致欠拟合。

verbose: 显示的训练日志的详细程度。

（b）专用于分类的参数：

classes_count: 在多分类任务中，类别的数量。

class_weights: 各类的权重，用于不平衡分类任务。

auto_class_weights: 用于处理类不平衡的自动权重计算方法。

（c）专用于回归的参数：

scale_pos_weight: 用于不平衡的回归任务。

（d）异同点：

相同点: 大部分参数（如learning_rate, depth, l2_leaf_reg等）在回归和分类任务中都是相同的，并且它们的含义和效果也是一