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