Py学习  »  机器学习算法

硬核拆解GBDT,带你入门机器学习

天池大数据科研平台 • 3 年前 • 526 次点击  
小天导语:各位亲们周三过得怎么样呢?今天小天用例子和可视化方式来拆解GBDT原理中的每个步骤,方便大家理解和应用
研究方向:机器学习,GBDT

|BoostingGradient Boosting

Boosting是集成学习的一种基分类器(弱分类器)生成方式,核心思想是通过迭代生成了一系列的学习器,给误差率低的学习器高权重,给误差率高的学习器低权重,结合弱学习器和对应的权重,生成强学习器。

前文讲过的AdaBoost就是典型的Boosting算法

Boosting算法要涉及到两个部分,加法模型和前向分步算法。

加法模型就是说强分类器由一系列弱分类器线性相加而成。一般组合形式如下:

其中,就是一个个的弱分类器,是弱分类器学习到的最优参数,就是弱学习在强分类器中所占比重,P是所有的组合。这些弱分类器线性相加组成强分类器。

前向分步就是说在训练过程中,下一轮迭代产生的分类器是在上一轮的基础上训练得来的。也就是可以写成这样的形式:

Gradient Boosting

Boosting 算法(以AdaBoost为代表)用错分数据点来识别问题,通过调整错分数据点的权重来改进模型。Gradient Boosting通过负梯度来识别问题,通过计算负梯度来改进模型。

Gradient Boosting每次迭代的目标是为了减少上一次的残差,在残差减少的梯度(Gradient)方向上建立一个新的模型,每个新的模型的建立是使之前模型的残差往梯度方向减少。

第t轮的第i个样本的损失函数的负梯度为:

此时不同的损失函数将会得到不同的负梯度,如果选择平方损失

负梯度为

此时我们发现GBDT的负梯度就是残差,所以说对于回归问题,我们要拟合的就是残差。

GBDT回归算法原理

输入是训练集样本, 最大迭代次数T, 损失函数L。输出是强学习器

  1. 初始化弱学习器
  2. 对迭代轮数t=1,2,...T有:

a)对样本,计算负梯度

b)利用, 拟合一颗CART回归树,得到第t颗回归树,其对应的叶子节点区域为。其中J为回归树t的叶子节点的个数。

c) 对叶子区域,计算最佳拟合值

d)更新强学习器

  1. 得到强学习器f(x)的表达式

GBDT分类算法

对于二元GBDT,如果用类似于逻辑回归的对数似然损失函数,则损失函数为:其中y∈{1,+1}。则此时的负梯度误差为

对于生成的决策树,我们各个叶子节点的最佳负梯度拟合值为

由于上式比较难优化,我们一般使用近似值代替

除了负梯度计算和叶子节点的最佳负梯度拟合的线性搜索,二元GBDT分类和GBDT回归算法过程相同。

|小例子+可视化理解GBDT

上面对原理进行了分析之后,大致对GBDT有了一定的认识,为了更加形象的解释GBDT的内部执行过程,这里引用《统计学习方法》中adaboost一节中的案例数据来进行进一步分析。强烈建议大家对比学习,看一下Adaboost和 GBDT 的区别和联系。数据集如下:

采用GBDT进行训练,为了方便,我们采用MSE作为损失函数,并且将树的深度设为1,决策树个数设为5,其他参数使用默认值

import numpy as np
import pandas as pd
from sklearn import tree
import matplotlib.pyplot as plt
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import train_test_split 

X = np.arange(1,11)
y = np.array([5.56, 5.70, 5.91, 6.40, 6.80, 7.05, 8.90, 8.70, 9.00, 9.05])

gbdt = GradientBoostingRegressor(n_estimators=5,max_depth=1)
gbdt.fit(X.reshape(-1,1),y)

其中GradientBoostingRegressor主要参数如下

GradientBoostingRegressor(alpha=0.9, criterion='friedman_mse', init=None,
learning_rate=0.1, loss='ls', max_depth=1,
max_features=None, max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=5,
n_iter_no_change=None, presort='auto',
random_state=None, subsample=1.0, tol=0.0001,
validation_fraction=0.1, verbose=0, warm_start=False)

其他参数为决策树参数,大家应该已经很熟悉了,不再赘述。

下面我们根据GBDT回归算法原理,开始分步拆解:

「第一步」:根据初始化公式
可以计算出(本例中,恰好为yi均值)

「第二步」:计算损失函数的负梯度值:

由于是MSE损失,上式等于 ,结果如下:

#计算残差
y - y.mean()
[out]:
array([-1.747, -1.607, -1.397, -0.907, -0.507, -0.257,  1.593,  1.393,
        1.693,  1.743])

第三步:对上面残差拟合第一棵树 根据所给的数据,可以考虑的切分点为1.5、2.5、3.5、4.5、5.5、6.5、7.5、8.5、9.5分别计算的值,并计算出切分后的左右两侧加和MSE最小的切分,最后得到的是6.5

找到最佳的切分点之后,我们可以得到各个叶子节点区域,并计算出.此时,小于6.5的数据,为x大于6.5的数据。


print((y - y.mean())[:6].mean(),(y - y.mean())[6:10].mean())[out]:-1.07 1.605
#计算mse
print(
((y - y.mean())**2).mean(),
((y[:6] - y[:6].mean())**2).mean(),
((y[6:10] - y[6:10].mean())**2).mean())
[out]
1.911421 0.309689 0.0179686

第一棵树的可视化

tree.plot_tree(gbdt[0,0],filled=True)

「最后」:更新的值
,其中为学习率,或称shrinkage,目的是防止预测结果发生过拟合,默认值是0.1。

「至此第一轮迭代完成」,后面的迭代方式与上面一样, 本例中我们生成了5棵树,大家可以用「tree.plot_tree」可视化其他树

迭代次后,第次的即为最终的预测结果。


小天结语:上题的第二棵树中的value是如何计算出来的?大家可以思考一下,作为课后作业,也可在留言区回复。机器学习道阻且长,小天会持续分享干货,帮助大家理解和应用。

【往期精选】

Spark “数字人体”AI挑战赛--脊柱疾病智能诊断大赛


天池大赛】3D人工智能挑战赛

天池大赛| 首届云原生编程挑战赛报名通道正式开启
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/71165
 
526 次点击