Еще хотел спросить, а в чем разница между параметром  CatBoostClassifier и CatBoost?

Сколько у тебя разных значений таргета и чему они равны?

Интерфейсы разные и Classifier по умолчанию делает классификацию, а CatBoos - rmse

11 Значений (0,1,253,413,104,103,211,106,402,116,332)

Какая версия катбуста и как запускаешь обучение(код покажи)

Версия : 0.15.2

import numpy as np

from catboost import CatBoostClassifier, Pool

# initialize data

train_data = Pool("./data/ki_190625_Final280_0.csv", column_description="./data/train2.cd",delimiter=',')
test_data = Pool("./data/ki_93k_Final280_0.csv", column_description="./data/train3.cd",delimiter=',')  

model = CatBoostClassifier(learning_rate=0.03,
                          custom_metric=['Accuracy'])
# train the model
model.fit(train_data)
# make the prediction using the resulting model
preds_class = model.predict(test_data)
preds_proba = model.predict_proba(test_data)
print("class = ", preds_class)
print("proba = ", preds_proba)

Это весь код

Если это target то нужно брать CatBoostRegressor или просто CatBoost. CatBoostClassifier решает задачу классификации, то есть таргет - единички и нолики

Accuracy тут не loss а просто метрика которая логируется. Accuracy пока никто не умеет делать лоссом

у меня по java пять вопрос, там есть метод predict который принимает float[] (не Float[]) то есть null туда не положить, а как nan передавать? Я их уже заменил на обучениие на -999 но впринципе с этим что то можно сделать?

Float.NaN - вот правильный ответ на текущий момент

вообще кажется довольно логичным уметь применяться и к Float[]

с подстановкой Float.NaN для null

Если вдруг будет время - мы принимаем помощь (ну или сделай issue чтоб не забыли)

Эти значения, это код ошибки. Разве для его предсказания не подходит CatBoostClassifier?

Да надо как нибудь покоммитить, что бы в будущем самому проблемы легче решать, всё боюсь этих ваших плюсов))
а есть описание политики создания PR гдето, ну там с форка или бранчи создавать, как тесты гоняются...

На самом деле Classifier решает проблему мультиклассификации тоже, причем должен запускать мультиклассификацию по умолчанию, если значений таргета больше двух. Почему-то этого не произошло, посмотрим.
Пока поставь loss_function='MultiClass'

А как выбрать тогда лучшую итерацию?

На самом деле код джава обертки - это очень тонкая прослойка плюсов + джава код