机器学习算法梳理(六):XGB

本文详细介绍了XGBoost相较于传统GBDT的优化策略,包括正则化、二阶导数优化、列抽样、缺失值处理和并行计算。通过这些方法,XGBoost有效防止过拟合,提升模型性能。此外,还探讨了XGBoost在sklearn中的参数设置及其在实际应用中的场景。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


算法原理

损失函数

分裂结点算法

正则化

GBDT与XGB区别

  1. 传统GBDT以CART作为基分类器,xgboost还支持线性分类器(gblinear),这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归(分类问题)或者线性回归(回归问题)
  2. 传统GBDT在优化时只用到一阶导数信息,xgboost则对代价函数进行了二阶泰勒展开,同时用到了一阶和二阶导数。顺便提一下,xgboost工具支持自定义代价函数,只要函数可一阶和二阶求导
  3. xgboost在代价函数里加入了正则项,用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和。从Bias-variance tradeoff角度来讲,正则项降低了模型的variance,使学习出来的模型更加简单,防止过拟合,这也是xgboost优于传统GBDT的一个特性
  4. Shrinkage(缩减),相当于学习速率(xgboost中的eta)。xgboost在进行完一次迭代后,会将叶子节点的权重乘上该系数,主要是为了削弱每棵树的影响,让后面有更大的学习空间。实际应用中,一般把eta设置得小一点,然后迭代次数设置得大一点。(补充:传统GBDT的实现也有学习速率)
  5. 列抽样(column subsampling)。xgboost借鉴了随机森林的做法,支持列抽样,不仅能降低过拟合,还能减少计算,这也是xgboost异于传统gbdt的一个特性
  6. 对缺失值的处理。对于特征的值有缺失的样本,xgboost可以自动学习出它的分裂方向。
  7. xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的?注意xgboost的并行不是tree粒度的并行,xgboost也是一次迭代完才能进行下一次迭代的(第t次迭代的代价函数里包含了前面t-1次迭代的预测值)。xgboost的并行是在特征粒度上的。我们知道,决策树的学习最耗时的一个步骤就是对特征的值进行排序(因为要确定最佳分割点),xgboost在训练之前,预先对数据进行了排序,然后保存为block结构,后面的迭代中重复地使用这个结构,大大减小计算量。这个block结构也使得并行成为了可能,在进行节点的分裂时,需要计算每个特征的增益,最终选增益最大的那个特征去做分裂,那么各个特征的增益计算就可以开多线程进行。
  8. 可并行的近似直方图算法。树节点在进行分裂时,我们需要计算每个特征的每个分割点对应的增益,即用贪心法枚举所有可能的分割点。当数据无法一次载入内存或者在分布式情况下,贪心算法效率就会变得很低,所以xgboost还提出了一种可并行的近似直方图算法,用于高效地生成候选的分割点。大致的思想是根据百分位法列举几个可能成为分割点的候选者,然后从候选者中根据上面求分割点的公式计算找出最佳的分割点.
  9. 在XGBoost里,对于稀疏性的离散特征,在寻找split point的时候,不会对该特征为missing的样本进行遍历统计,只对该列特征值为non-missing的样本上对应的特征值进行遍历,通过这个工程trick来减少了为稀疏离散特征寻找split point的时间开销。在逻辑实现上,为了保证完备性,会分别处理将missing该特征值的样本分配到左叶子结点和右叶子结点的两种情形。

应用场景

sklearn参数

def XGB_predict(train_x,train_y,val_X,val_Y,test_x,res):
    print("XGB test")
    
### XGBoost 机器学习算法详解 #### 算法概述 XGBoost是一种基于梯度提升决策树(Gradient Boosting Decision Tree, GBDT)框架的优化版本。该算法通过一系列弱预测模型(通常是决策树),以迭代方式逐步改进整体模型的表现。 #### 回归树构建方法 在XGBoost中,回归树的创建不仅依赖于样本权重调整机制,还引入了正则项来惩罚复杂的结构。具体来说,在计算分裂增益时会加入两个超参数:`γ`用于控制新分支产生的代价;而`λ`则是用来调节L2范数的影响程度[^2]。 #### 和GBDT的主要区别 - **复杂度考量** 不同于传统的GBDT仅在后期阶段实施剪枝操作以简化过拟合的风险,XGBoost自始至终都将树形结构的成本纳入到目标函数之中。 - **泰勒展开阶数差异** 当更新叶子节点分数时,XGBoost采用了更为精确的二次近似形式——即利用了一阶和二阶偏导数值来进行局部最优解搜索过程中的逼近处理,这使得其收敛速度更快且精度更高[^1]。 - **并行化支持** 另外一个重要特性就是能够有效利用现代计算机硬件资源实现高效运算的能力。特别是在寻找最佳分割点的过程中允许并发执行多个线程的任务分配策略极大地提升了训练效率。 #### 参数设置建议 为了防止模型过度适应训练集而导致泛化能力下降的问题,可以通过适当降低`subsample`的比例让每次迭代只使用部分数据参与建模工作,从而达到增强鲁棒性的目的[^3]。 ```python import xgboost as xgb from sklearn.datasets import make_regression from sklearn.model_selection import train_test_split # 创建模拟数据集 X, y = make_regression(n_samples=1000, n_features=20, noise=0.1) # 划分训练集与测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 定义DMatrix对象 dtrain = xgb.DMatrix(X_train, label=y_train) dtest = xgb.DMatrix(X_test, label=y_test) # 设置参数字典 params = { 'objective': 'reg:squarederror', # 对于回归问题采用平方误差作为损失函数 'eval_metric': ['rmse'], # 使用均方根误差评估指标 'eta': 0.1, # 学习率,默认值为0.3 'max_depth': 6, # 树的最大深度 'lambda': 1, # L2正则化系数 'gamma': 0 # 控制是否进行进一步划分所需最小减少的loss } # 训练模型 bst = xgb.train(params=params, dtrain=dtrain, num_boost_round=100, evals=[(dtest,'eval')], verbose_eval=True) # 预测结果 preds = bst.predict(dtest) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值