CatBoost整理

Catboost是一种gbdt算法
优点一：高效合理地处理类别型特征
优点二：解决了梯度偏差（Gradient
Bias）以及预测偏移（Prediction shift）的问题，从而减少过拟合的发生

与XGBoost、LightGBM相比，CatBoost的创新点有：

嵌入了自动将类别型特征处理为数值型特征的创新算法。首先对categorical
features做一些统计，计算某个类别特征（category）出现的频率，之后加上超参数，生成新的数值型特征（numerical
features）。
Catboost还使用了组合类别特征，可以利用到特征之间的联系，这极大的丰富了特征维度。
采用排序提升的方法对抗训练集中的噪声点，从而避免梯度估计的偏差，进而解决预测偏移的问题。
采用了完全对称树作为基模型。

简单的运行流程：

https://www.jianshu.com/p/49ab87122562

写的很好的参数介绍：
https://blog.csdn.net/weixin_42305672/article/details/111252715