机器学习模型—CatBoost

作为俄罗斯科技公司Yandex推出的开源机器学习库,CatBoost可以说是当前Gradient Boosting算法发展的新里程碑。相较于广为人知的XGBoost,CatBoost在处理类别特征、纵向样本采样和有序训练数据方面做出了创新性的改进,展现了卓越的性能。

我们经常遇到包含分类特征的数据集，为了将这些数据集适合 Boosting 模型，我们对数据集应用了各种编码技术，例如 One-Hot 编码或标签编码。但是应用 One-Hot 编码会创建一个稀疏矩阵，有时可能会导致模型过度拟合，我们使用 CatBoost 来处理这个问题。CatBoost 自动处理分类特征。

什么是 CatBoost

CatBoost或 Categorical Boosting 是 Yandex 开发的开源 boosting 库。它设计用于解决具有大量独立特征的回归和分类等问题。

Catboost 是梯度增强的一种变体，可以处理分类特征和数值特征。它不需要任何特征编码技术（例如One-Hot Encoder或Label Encoder）来将分类特征转换为数值特征。它还使用一种称为对称加权分位数草图（SWQS）的算法，该算法自动处理数据集中的缺失值，以减少过度拟合并提高数据集的整体性能。

处理类别特征的创新:

大多数Gradient Boosting算法在处理类别特征时都需要进行one-hot编码,这种做法虽然简单但容易造成维度灾难。CatBoost巧妙地利用了有序目标编码,替代了one-hot编码。具体地,对于每个类别特征,CatBoost按照其数值目标的统计平均值对类别进行排序,并将其映射为连续值。这种编码方式大幅降低了内存消耗,也使模型能更好地处理类别数据。

纵向样本采样策