CatBoost 的工作方式

CatBoost 实施传统的梯度提升决策树 (GBDT) 算法，并增加了两个关键的算法改进：

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。

CatBoost 算法在机器学习竞赛中表现良好，因为它能够可靠地处理各种数据类型、关系和分布，并有大量可以微调的超参数。您可以使用 CatBoost 来处理回归、分类（二元和多元）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 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：具有分类特征的无偏移提升》。