本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# CatBoost 工作原理
<a name="catboost-HowItWorks"></a>

CatBoost 实现了传统的梯度提升决策树 (GBDT) 算法，并增加了两个关键的算法进步：

1. 实施了有序提升，这是对经典算法的以排列驱动的替代方案

1. 用于处理分类特征的创新算法

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。

该 CatBoost 算法在机器学习竞赛中表现良好，因为它可以很好地处理各种数据类型、关系、分布以及你可以微调的超参数的多样性。 CatBoost 可用于回归、分类（二进制和多类）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](xgboost-HowItWorks.md)。有关该 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：使用分类特征进行无偏提升](https://arxiv.org/pdf/1706.09516.pdf)*。