Какой бустинг использовался в проекте

Что проверяют

Выбирали ли вы алгоритм осознанно и понимаете ли, чем реализации отличаются друг от друга. Название библиотеки знает каждый, интереснее, почему именно она. Следом обычно спрашивают про ключевые гиперпараметры и про то, как вы боролись с переобучением.

Как отвечать

Начните с задачи и данных: тип задачи, объём, сколько категориальных признаков, какая метрика. Затем назовите библиотеку и причину выбора:

• CatBoost: сильный вариант по умолчанию при большом числе категориальных признаков. Кодирует их сам через упорядоченные target-статистики, строит симметричные деревья и часто даёт хорошее качество почти без тюнинга;
• LightGBM: быстрый на больших табличных данных за счёт гистограмм и роста деревьев по листьям. Главный параметр сложности num_leaves, на маленьком датасете легко переобучается;
• XGBoost: растит деревья по уровням, для скорости использует гистограммный метод hist, категориальные признаки поддерживает через enable_categorical=True;
• HistGradientBoostingClassifier из sklearn: когда нужен бустинг без лишних зависимостей и объём умеренный.

Дальше процесс: базовый уровень (логистическая регрессия или константный прогноз), валидация с учётом времени, если данные временные, ранняя остановка по отложенной выборке, подбор learning_rate, глубины и регуляризации через Optuna. Для несбалансированных классов упомяните scale_pos_weight или веса классов и PR-AUC вместо accuracy. Интерпретацию лучше показывать через SHAP, а не только встроенную важность признаков.

Результат называйте своими цифрами и в метрике задачи. Если бустинг вы пробовали только в учебных проектах, так и скажите и объясните, что с чем сравнивали.

Где спотыкаются

Не могут объяснить выбор: «взял XGBoost, потому что все берут». Регуляризация и обработка пропусков есть во всех трёх библиотеках, это не аргумент в пользу одной.

Хвастаются приростом accuracy на задаче оттока, где положительных примеров мало. Такая метрика высокая и у модели, которая всегда предсказывает «не уйдёт».

Делают target encoding на всей выборке до разбиения и получают утечку, а потом удивляются падению качества на проде.