跟我学算法-xgboost(集成算法)基本原理推导

本文详细解析了XGBoost算法的工作原理,包括构造损失函数、泰勒展开、叶子节点遍历、正则化惩罚项的合并,以及通过求导找到最优参数的过程。并通过实例展示了如何利用目标函数值的变化进行样本分割,实现最大信息增益。

1.构造损失函数的目标函数

2.对目标函数进行泰勒展开

3.把样本遍历转换成叶子节点遍历,合并正则化惩罚项

4.求wj进行求导,使得当目标函数等于0时的wj的值

5.将求解得到的wj反导入方程中,解得最终的目标函数

6.对样本进行分割时,用分割前的目标函数的值-分割后左右子树的目标函数的值,来划分得到最大的分割情况,以此来判断分割的界限

xgboost依据的是一种残差思想

以下是推导过程

 

实例说明

 

转载于:https://www.cnblogs.com/my-love-is-python/p/9786390.html

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