Как повлияет ошибка в признаке на качество прогноза в бустинге

Ошибка в признаке (например, шум, пропуски или некорректные значения) может снизить качество прогноза, но бустинг (особенно градиентный, типа XGBoost, LightGBM) относительно устойчив к таким проблемам благодаря:

1. Постепенному обучению — каждый следующий дерево исправляет ошибки предыдущих.
2. Регуляризации — параметры типа max_depth, min_child_weight контролируют переобучение.
3. Встроенной обработке пропусков (например, в LightGBM).

Пример с шумом:

import numpy as np
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import accuracy_score

X, y = ...  # исходные данные
X_noisy = X + np.random.normal(0, 0.5, size=X.shape)  # добавляем шум

model = GradientBoostingClassifier(n_estimators=100)
model.fit(X_noisy, y)
y_pred = model.predict(X_noisy)
print(accuracy_score(y, y_pred))  # качество может упасть, но не критично

Важно: Если ошибка систематическая (например, смещение признака), влияние будет сильнее. В таких случаях помогает предобработка данных или feature engineering.