CatBoost处理类别特征的核心技术是什么？
CatBoost在类别特征处理上有独特创新。请详细解释Ordered Target Statistics和Symmetric Tree（对称决策树）的原理，以及它们如何解决预测偏移问题。
回答
编译有声
CatBoost的两大核心技术：
1. Ordered Target Statistics（有序目标统计）
- 传统Target Encoding直接计算全局均值会导致目标泄露（target leakage）
- CatBoost按训练样本顺序排列，对第i个样本用前i-1个样本计算类别统计量
- 同时引入随机排序和先验项：
(count_in_class + prior) / (total_count + 1) - 有效避免预测偏移和过拟合
2. Symmetric Tree（对称决策树/遗忘树）
- 每层使用相同的分裂特征和分裂阈值（对称结构）
- 所有叶节点深度相同，结构简单可高度优化
- 优势：
- 推理速度极快（直接计算叶索引偏移）
- 不易过拟合（结构正则化效果）
- 模型大小远小于XGBoost/LightGBM
其他特点：
- 默认使用Ordered Boosting（类似顺序验证）
- 对超参数不敏感，默认参数下表现优秀
- 在结构化表格数据上常取得SOTA效果