เปรียบเทียบวิธี

	CatBoost	การถดถอยโลจิสติก
สาขาวิชา	การเรียนรู้ของเครื่อง	สถิติการวิจัย
ตระกูล	Machine learning	Process / pipeline
ปีกำเนิด	2018	1958
ผู้ริเริ่ม	Prokhorenkova, L. et al. (Yandex)	David Roxbee Cox
ประเภท	Gradient boosting on decision trees	Method
แหล่งต้นตำรับ	Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A.V. & Gulin, A. (2018). CatBoost: Unbiased Boosting with Categorical Features. In NeurIPS 2018.	Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series B, 20(2), 215–242.
ชื่อเรียกอื่น	CatBoost (Categorical Boosting), categorical boosting, ordered boosting, kategorik gradyan artırma	logit model, binomial logistic regression, LR
ที่เกี่ยวข้อง	5	3
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.	Logistic regression is a statistical method for modeling the probability of a binary outcome (disease present/absent, success/failure) as a function of continuous and categorical predictors. Developed by David Roxbee Cox (1958), it solves the problem of predicting categorical outcomes by applying a logistic transformation to constrain predictions to the [0,1] probability interval, enabling accurate risk stratification, diagnostic prediction, and causal inference in epidemiology, medicine, and social science.