前言
今天博主来介绍一个超级简单并且又极其实用的boosting算法包Catboost，据开发者所说这一boosting算法是超越Lightgbm和XGBoost的又一个神器。
catboost 简介
在博主看来catboost有一下三个的优点：
它自动采用特殊的方式处理类别型特征（categorical features）。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）。这也是我在这里介绍这个算法最大的motivtion，有了catboost，再也不用手动处理类别型特征了。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。catboost的基模型采用的是对称树，同时计算leaf-value方式和传统的boosting算法也不一样，传统的boosting算法计算的是平均数，而catboost在这方面做了优化采用了其他的算法，这些改进都能防止模型过拟合。
catboost 实战
这里博主采用的是之前参加一个CTR点击率预估的数据集，首先通过pandas读入数据。
from catboost import CatBoostClassifierimport pandas as pdfrom sklearn.model_selection import train_test_spliti
