เปรียบเทียบวิธี

	AdaBoost	CatBoost
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1997	2018
ผู้ริเริ่ม	Freund, Y. & Schapire, R.E.	Prokhorenkova, L. et al. (Yandex)
ประเภท	Ensemble (sequential boosting of weak learners)	Gradient boosting on decision trees
แหล่งต้นตำรับ	Freund, Y. & Schapire, R.E. (1997). A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. Journal of Computer and System Sciences, 55(1), 119–139.	Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A.V. & Gulin, A. (2018). CatBoost: Unbiased Boosting with Categorical Features. In NeurIPS 2018.
ชื่อเรียกอื่น	AdaBoost (Adaptive Boosting), adaptive boosting, adaptif artırma	CatBoost (Categorical Boosting), categorical boosting, ordered boosting, kategorik gradyan artırma
ที่เกี่ยวข้อง	5	5
สรุป	AdaBoost (Adaptive Boosting) is the original boosting algorithm, introduced by Yoav Freund and Robert Schapire in 1997, that combines a sequence of simple weak learners by giving more weight to the observations they get wrong. The forerunner of gradient boosting, it is simple, interpretable, and a strong baseline for classification.	CatBoost is a gradient boosting algorithm, introduced by Prokhorenkova and colleagues at Yandex in 2018, that handles categorical variables natively and uses ordered target encoding to avoid label leakage. By building an additive ensemble of trees while permuting the data order at each iteration, it is often superior to XGBoost and LightGBM on category-heavy data.