GBDT(Gradient Boosting Decision Tree)是目前工业和各种竞赛中非常抢手的模型,性能表现出色,特别是XgBoost,LightGBM推出后,模型性能和运行效率进一步提升,了解XgBoost模型,先整理一下GBDT吧。
文章目录
GBDT概述
GBDT模型是一个集成模型,基分类器采用CART,集成方式为Gradient Boosting。
CART
CART是一个分类回归二叉决策树,构建一棵二叉树,主要涉及到一下一个问题:
- 怎么分裂一个特征?
- 怎么选择最佳分裂特征?
- 确定分裂的停止条件?
- 决策树的优化:剪枝方法?
因为CART是一棵二叉树,所以在分裂特征时与 ID3、C4.5有区别。
CART在分类时采用最小平方误差来选择最优切分特征和切分点。
Boosting
Boosting是一种模型的组合方式,我们熟悉的AdaBoost就是一种Boosting的组合方式。和随机森林并行训练不同的决策树最后组合所有树的bagging方式不同,Boosting是一种递进的组合方式,每一个新的分类器都在前一个分类器的预测结果上改进,所以说boosting是减少bias而bagging是减少variance的模型组合方式。
Gradient Boosting
GBDT和AdaBoost模型都可以表示成:
F
(
x
)
=
∑
m
=
1
M
γ
m
h
m
(
x
)
F(x) = \sum_{m=1}^M \gamma_m h_m(x)
F(x)=m=1∑Mγmhm(x)
的形式,只是AdaBoost在训练完一个
h
m
h_m
hm后会重新赋值样本的权重:分类错误的样本的权重会增大而分类正确的样本的权重则会减小。这样在训练
h
m
+
1
h_{m+1}
hm+1时会侧重对错误样本的训练,以达到模型性能的提升,但是AdaBoost模型每个基分类器的损失函数优化目标是相同的且独立的,都是最优化当前样本(样本权重)的指数损失。
GBTD虽然也是一个加性模型,但其是通过不断迭代拟合样本真实值与当前分类器的残差
y
−
y
^
h
m
−
1
y-\hat y_{h_{m-1}}
y−y^hm−1来逼近真实值的,按照这个思路,第
m
m
m个基分类器的预测结果为:
F
m
(
x
)
=
F
m
−
1
(
x
)
+
γ
m
h
m
(
x
)
F_m(x) = F_{m-1}(x) + \gamma_m h_m(x)
Fm(x)=Fm−1(x)+γmhm(x)
而
h
m
(
x
)
h_m(x)
hm(x)的优化目标就是最小化当前预测结果
F
m
−
1
(
x
i
)
+
h
(
x
i
)
F_{m-1}(x_i)+h(x_i)
Fm−1(xi)+h(xi)和
y
i
y_i
yi之间的差距。
h
m
=
arg
min
h
∑
i
=
1
n
L
(
y
i
,
F
m
−
1
(
x
i
)
+
h
(
x
i
)
)
h_m = \mathop{\arg\min}_{h} \sum_{i=1}^n L(y_i, F_{m-1}(x_i)+h(x_i))
hm=argminhi=1∑nL(yi,Fm−1(xi)+h(xi))
下面是GDBT的一个简单例子:判断用户是否会喜欢电脑游戏,特征有年龄,性别和职业。需要注意的是,GBDT无论是用于分类和回归,采用的都是回归树,分类问题最终是将拟合值转换为概率来进行分类的。
在上图中,每个用户的最后的拟合值为两棵树的结果相加。
模型公式推导
Gradient Boosting是Friedman提出的一套框架。其思想类似于数值优化中梯度下降求参方法,参数沿着梯度的负方向以小步长前进,最终逐步逼近参数的局部最优解。在GB中模型每次拟合残差,逐步逼近最终结果。
框架
在GB "greedy-stagewise"的思想中,每个stage需要最小化残差的误差,即:
h
m
=
arg
min
h
∑
i
=
1
n
L
(
y
i
,
F
m
)
h_m = \mathop{\arg\min}_{h} \sum_{i=1}^n L(y_i, F_m)
hm=argminhi=1∑nL(yi,Fm)
而
F
m
(
x
)
=
F
m
−
1
(
x
)
+
γ
m
h
m
(
x
)
F_m(x) = F_{m-1}(x) + \gamma_m h_m(x)
Fm(x)=Fm−1(x)+γmhm(x)
所以,每个stage的优化的目标为:
h
m
=
arg
min
h
∑
i
=
1
n
L
(
y
i
,
F
m
−
1
(
x
i
)
+
γ
m
h
(
x
i
)
)
h_m = \mathop{\arg\min}_{h} \sum_{i=1}^n L(y_i, F_{m-1}(x_i)+ \gamma_mh(x_i))
hm=argminhi=1∑nL(yi,Fm−1(xi)+γmh(xi))该函数比较难求解,类似于梯度下降方法,给定
F
m
−
1
(
x
i
)
F_{m-1}(x_i)
Fm−1(xi)的一个近似解,
γ
m
h
m
(
x
)
\gamma_m h_m(x)
γmhm(x)可以看做
F
m
−
1
(
x
i
)
F_{m-1}(x_i)
Fm−1(xi)逼近
F
m
(
x
i
)
F_m(x_i)
Fm(xi)的步长和方向。所以:
F
m
(
x
)
=
F
m
−
1
−
γ
m
[
∂
L
(
y
i
,
F
m
(
x
i
)
)
∂
F
m
(
x
i
)
]
F
m
(
x
)
=
F
m
−
1
(
x
)
F_m(x) = F_{m-1} - \gamma_m [ \frac{\partial L(y_i,F_m(x_i))}{\partial F_m(x_i)}]_{F_m(x)=F_{m-1}(x)}
Fm(x)=Fm−1−γm[∂Fm(xi)∂L(yi,Fm(xi))]Fm(x)=Fm−1(x)
γ
m
=
arg
min
γ
∑
i
=
1
n
L
(
y
i
,
F
m
−
1
−
γ
[
∂
L
(
y
i
,
F
m
(
x
i
)
)
∂
F
m
(
x
i
)
]
F
m
(
x
)
=
F
m
−
1
(
x
)
\gamma_m =\mathop{\arg\min}_{\gamma} \sum_{i=1}^n L(y_i, F_{m-1} - \gamma [ \frac{\partial L(y_i,F_m(x_i))}{\partial F_m(x_i)}]_{F_m(x)=F_{m-1}(x)}
γm=argminγi=1∑nL(yi,Fm−1−γ[∂Fm(xi)∂L(yi,Fm(xi))]Fm(x)=Fm−1(x)
框架扩展
上一部分的GB框架可以搭配不同的损失函数来解决不同的问题:
least-squares regression
least absolute deviation regression
M_Regression
Two-class logistic regression and classificaiton
二分类时,如果采用类似于逻辑回归的对数似然损失函数:
L
(
y
,
f
(
x
)
)
=
l
o
g
(
1
+
e
x
p
(
−
y
f
(
x
)
)
)
L(y,f(x)) = log(1 + exp(-yf(x)))
L(y,f(x))=log(1+exp(−yf(x)))
其中
y
∈
{
−
1
,
1
}
y \in \{-1,1\}
y∈{−1,1},
f
(
x
)
=
l
o
g
[
P
r
(
y
=
1
∣
x
)
P
r
(
y
=
−
1
∣
x
)
]
f(x)=log[\frac{Pr(y=1|x)}{Pr(y=-1|x)}]
f(x)=log[Pr(y=−1∣x)Pr(y=1∣x)],
f
(
x
)
f(x)
f(x)是一个对数几率,当样本为正的概率大于样本为负的概率时,
f
(
x
)
f(x)
f(x)函数值大于0,否则小于0。
此时负梯度误差为:
r
t
i
=
−
[
∂
L
(
y
,
f
(
x
i
)
)
∂
f
(
x
i
)
]
f
(
x
)
=
f
t
−
1
(
x
)
=
y
i
/
(
1
+
e
x
p
(
y
i
f
(
x
i
)
)
)
r_{ti} = -[\frac{\partial L(y,f(x_i))}{\partial f(x_i)}]_{f(x)=f_{t-1}(x)}=y_i/(1+exp(y_if(x_i)))
rti=−[∂f(xi)∂L(y,f(xi))]f(x)=ft−1(x)=yi/(1+exp(yif(xi)))
而各个节点最优的拟合值为使损失函数最优解:
c
t
j
=
arg
min
c
∑
x
i
∈
R
t
j
l
o
g
(
1
+
e
x
p
(
−
y
i
(
f
t
−
1
(
x
i
)
+
c
)
)
)
c_{tj} = \mathop{\arg\min}_{c} \sum_{x_i \in R_{tj}} log(1 +exp(-y_i(f_{t-1}(x_i)+c)))
ctj=argmincxi∈Rtj∑log(1+exp(−yi(ft−1(xi)+c)))
上式没有解析解,比较难优化,采用近似值(说是牛顿迭代法,但还不懂):
c
t
j
=
∑
x
i
∈
R
t
j
r
t
i
/
∑
x
i
∈
R
t
j
∣
r
t
i
∣
(
1
−
∣
r
t
i
∣
)
c_{tj}=\sum_{x_i \in R_{tj}}r_{ti}/\sum_{x_i \in R_{tj}}|r_{ti}|(1-|r_{ti}|)
ctj=xi∈Rtj∑rti/xi∈Rtj∑∣rti∣(1−∣rti∣)
将拟合值转化为概率:
p
+
(
x
)
=
1
/
(
1
+
e
−
f
(
x
)
)
p_{+}(x) = 1/(1+e^{-f(x)})
p+(x)=1/(1+e−f(x)),
p
−
(
x
)
=
1
/
(
1
+
e
f
(
x
)
)
p_{-}(x) = 1/(1+e^{f(x)})
p−(x)=1/(1+ef(x))
正则项
F
m
(
x
)
=
F
m
−
1
(
x
)
+
v
γ
m
h
m
(
x
)
F_m(x) = F_{m-1}(x) +v \gamma_m h_m(x)
Fm(x)=Fm−1(x)+vγmhm(x)
给learning rate
γ
m
\gamma_m
γm添加了一个正则项
v
v
v
python实现
待写