เปรียบเทียบวิธี

	CatBoost	การถดถอยแบบฮิวเบอร์ (Huber Regression)
สาขาวิชา	การเรียนรู้ของเครื่อง	สถิติศาสตร์
ตระกูล	Machine learning	Regression model
ปีกำเนิด	2018	1964
ผู้ริเริ่ม	Prokhorenkova, L. et al. (Yandex)	Peter J. Huber
ประเภท	Gradient boosting on decision trees	Robust linear regression (M-estimation)
แหล่งต้นตำรับ	Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A.V. & Gulin, A. (2018). CatBoost: Unbiased Boosting with Categorical Features. In NeurIPS 2018.	Huber, P. J. (1964). Robust Estimation of a Location Parameter. Annals of Mathematical Statistics, 35(1), 73-101.
ชื่อเรียกอื่น	CatBoost (Categorical Boosting), categorical boosting, ordered boosting, kategorik gradyan artırma	Huber M-estimator, Huber loss regression, robust regression, Huber Regresyonu
ที่เกี่ยวข้อง	5	5
สรุป	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.	Huber regression is a robust linear regression method, introduced by Peter J. Huber in 1964, that resists the influence of outliers by treating small and large residuals differently. It applies a squared (OLS-like) loss to small residuals and a milder absolute-value loss to large ones, so extreme observations cannot dominate the fit.