XGB算法梳理

最新推荐文章于 2023-03-15 19:44:21 发布

原创最新推荐文章于 2023-03-15 19:44:21 发布 · 1.6w 阅读

45 ·

CC 4.0 BY-SA版权

文章标签：

#xgboost #ensemble learning

python 同时被 2 个专栏收录

21 篇文章

订阅专栏

machine learning

13 篇文章

订阅专栏

本文深入解析XGBoost算法，涵盖CART树原理、损失函数、分裂节点算法、正则化及对缺失值处理等核心内容，并探讨XGBoost的优化策略与参数设置。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.CART树

CART树(分类与回归树)，可以用于分类也可以用于回归。其内部节点特征的取值为“是”和“否”，节点的左分支取值为“是”，节点de的右分支取值为“否”。对于回归树使用平均误差最小化准则，对于分类树使用ji基尼指数最小化准则。

2.算法原理

xgb就是Tree Ensemble。xgb就是K棵树的累加。

在这里插入泰勒公式

在这里是，是，可以想成在原来损失函数的基础上添加使损失函数更小。

讲完了训练过程，需要讲一下正则项

另外xgb可以评估每个树的得分

因为可以评估每棵树的得分，所以可以枚举出所有的树，然后计算每棵树的得分，然后保留得分最高的树，但是实际中这样的操作是不现实的，所以xgb尝试优化树的每层。计算将该节点分裂的得分，然后将该节点分裂之后的得分与没有将该节点分裂的得分做差，从而来判断是否分裂该节点。

3.损失函数

3.1logistic损失函数

3.2对数损失函数

3.3平方误差损失函数

4.分裂节点算法

前面提到过，XGBoost每一步选能使分裂后增益最大的分裂点进行分裂。而分裂点的选取之前是枚举所有分割点，这称为精确的贪心法（Exact Greedy Algorithm）.当数据量十分庞大，以致于不能全部放入内存时，Exact Greedy 算法就会很慢。因此XGBoost引入了近似的算法。即对每一个特征进行「值」采样。原来需要对每一个特征的每一个可能分割点进行尝试，采样之后只针对采样的点（分位数）进行分割尝试，这种方法很明显可以减少计算量，采样密度越小计算的越快，拟合程度也会越差，所以采样还可以防止过拟合。

那么，现在有两个问题：

1.如何选取候选切分点Sk={sk1,sk2,⋯skl}呢？（即选择特征的哪些分位数作为备选的分裂点呢？）
2.什么时候进行候选切分点的选取？
针对问题2：
第二个方法执行采样的方式有两个，一种是global模式，一种是local模式。global模式是执行树生成之前采一次样，后面不再更新（学习每棵树前，提出候选切分点）；local模式是每次split之后都再次进行一次采样（每次分裂前，重新提出候选切分点）。不同的模式和不同的采样密度带来的效果如下图：

桶的个数等于 1 / eps，可以看出:
全局切分点的个数够多的时候，和Exact greedy算法性能相当。
局部切分点个数不需要那么多，因为每一次分裂都重新进行了选择。

下面对第一个问题进行解答，选择哪些候选切分点。
对于问题1，可以采用分位数，也可以直接构造梯度统计的近似直方图等。
简单的分位数就是先把数值进行排序，然后根据你采用的几分位数把数据分为几份即可。而XGBoost不单单是采用简单的分位数的方法，而是对分位数进行加权（使用二阶梯度h），称为：Weighted Quantile Sketch。PS:上面的那个例子采用的是没有使用二阶导加权的分位数。

5.正则化

前面的算法原理已经讲了正则化，但是xgb中的其他ca操作也会fa防止过拟合

另外分裂节点算法的算法2分裂-分裂节点的近似算法也会防止过拟合。

6.对缺失值的处理

有很多种原因可能导致特征的稀疏（缺失），所以当遇到样本某个维度的特征缺失的时候，就不能知道这个样本会落在左孩子还是右孩子。xgboost处理缺失值的方法和其他树模型不同。根据作者TianqiChen在论文[1]中章节3.4的介绍，xgboost把缺失值当做稀疏矩阵来对待，本身在节点分裂时不考虑缺失值的数值，但确定分裂的特征后，缺失值数据会被分到左子树和右子树呢？本文的处理策略是落在哪个孩子得分高，就放到哪里。如果训练中没有数据缺失，预测时出现了数据缺失，那么默认被分类到右子树。具体的介绍可以参考：