เปรียบเทียบวิธี

	CatBoost	ไลท์จีบีเอ็ม
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018	2017
ผู้ริเริ่ม	Prokhorenkova, L. et al. (Yandex)	Ke, G. et al. (Microsoft)
ประเภท	Gradient boosting on decision trees	Gradient boosting decision tree ensemble
แหล่งต้นตำรับ	Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A.V. & Gulin, A. (2018). CatBoost: Unbiased Boosting with Categorical Features. In NeurIPS 2018.	Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q. & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems (NeurIPS) 30, 3146–3154.
ชื่อเรียกอื่น	CatBoost (Categorical Boosting), categorical boosting, ordered boosting, kategorik gradyan artırma	LightGBM, Light Gradient Boosting Machine, lgbm, leaf-wise gradient boosting
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.	LightGBM is Microsoft's gradient boosting decision tree implementation, introduced by Ke and colleagues in 2017, that grows trees leaf-wise and bins features into histograms for speed. On large datasets it is much faster than XGBoost while retaining strong predictive accuracy.