catboost

本文在 IEEE-CIS 欺诈数据集上对七种类别编码方法进行了受控比较，使用固定的 LightGBM 学习器评估了准确性、可解释性和计算权衡，发现实体嵌入获得了最高的 AUC-ROC，但没有任何编码器在两个指标上都占优。

本文提出了一种使用CatBoost和SHAP的机器学习框架，通过结合钙组学和心外膜脂肪特征，从CT钙化积分扫描中预测阻塞性冠状动脉疾病，实现了高准确性。

本研究提出了一种结合 CatBoost 和 SHAP 的混合预测框架，以识别树木相关交通事故的风险因素，并强调未使用约束装置（如安全带）是导致严重伤害的最关键预测因子。