GBDT模型学习

2024-07-09 13:47:38   7  举报





AI智能生成

GBDT（Gradient Boosting Decision Tree）模型是一种基于决策树算法的集成学习方法，主要用于回归和分类任务。GBDT模型通过迭代地训练决策树，然后将所有树的预测结果相加得到最终的预测结果。在每次迭代中，新的决策树会尝试纠正之前树的预测错误，从而提升整体的预测性能。GBDT模型的特点包括：鲁棒性强，可以处理非线性数据和特征之间的相互作用，以及可以自动进行特征选择和降维。GBDT模型的训练过程包括：初始化一个常数值作为预测结果，然后迭代地对每个训练样本进行预测，并计算损失函数，最后使用梯度提升算法训练决策树，以最小化损失函数。GBDT模型在许多领域都有广泛的应用，如广告点击率预测、信用评分、疾病预测等。

模型算法

作者其他创作

大纲/内容

XGBoost 自动学习缺失值策略 显性正则化控制 特征复杂 可解释性

核心原理

损失函数

XGBoost使用泰勒展开式对损失函数进行近似，通常到二阶，这有助于更精确地逼近最优解

正则化项：为了防止过拟合，XGBoost引入了正则化项，该项考虑了模型的复杂度，包括叶子节点的数量和叶子节点的分数。

目标函数：XGBoost的目标函数是损失函数和正则化项的加权和，通过优化此目标函数来构建模型。

模型更新：采用贪婪算法逐步构建树模型，每一步迭代都会学习一个新的树模型以减小目标函数。

特点

高效的并行化处理：XGBoost能够有效地利用多核处理器进行并行计算，加速模型训练过程。

支持多种损失函数和自定义评价指标：适合多种类型的问题。

灵活性强：支持多种参数调整，以适应不同的数据集和问题。

LightGBM 适用于大规模数据集 大量类别特征

核心原理

直方图算法：LightGBM使用直方图算法来加速寻找最佳分枝点的过程，相比于传统的预排序算法，它更加高效且节省内存。

Leaf-wise生长策略：与传统的Level-wise（XGBoost）生长策略不同，LightGBM使用Leaf-wise策略， 这意味着每次选择当前损失最大的叶子节点进行分裂，从而得到更好的精度，通常能够更快地找到最优的分裂点。 但为了防止过拟合，LightGBM在Leaf-wise之上增加了一个最大深度的限制。

特点

训练速度快：特别是在处理大数据集时，其训练速度远超其他GBDT工具。

内存占用低：通过直方图算法和特征捆绑技术，降低了内存使用。

精度高：由于采用Leaf-wise生长策略，能够在相同分裂次数下获得更低的误差。

CatBoost 专注于处理分类问题

核心原理

类别型特征处理：CatBoost擅长处理类别型特征，可以直接传入类别型特征的列标识，模型会自动对其进行独热编码或类似的编码方法。

目标变量预测偏移：为了解决梯度偏差和预测偏移问题，CatBoost使用了一种特殊的算法来为每个样本计算一个权重，该权重用于在训练过程中调整目标变量的预测值。

特点

支持类别型特征：无需手动进行独热编码或其他类型的预处理。

高效处理大规模数据集：通过优化算法和并行处理，CatBoost能够在短时间内处理大量数据。

高准确性：由于其独特的算法设计和对类别型特征的支持，CatBoost在许多实际问题中都表现出较高的准确性。

GBDT引申知识点

梯度提升 &梯度下降

梯度提升（Gradient Boosting）

目的

梯度提升是一种集成学习算法，用于构建强预测模型，通常用于分类和回归问题。

原理

通过逐步添加新的弱预测模型（通常是决策树），每个新的模型都在前一个模型的残差上进行训练，目的是最小化损失函数。

应用

用于构建预测模型，特别是在需要处理复杂数据集和提高模型性能时

梯度下降（Gradient Descent）

目的

梯度下降是一种用于最小化目标函数的优化算法，通常用于寻找参数的最优值，如在线性回归、逻辑回归或其他机器学习模型中。

原理

通过计算目标函数相对于参数的梯度（即导数），然后更新参数以减少误差。这个过程重复进行，直到找到一个局部最小值。

应用

主要用于参数估计和函数优化，特别是在参数数量相对较少时

正则化

L1范数（L1 norm）

也被称为曼哈顿距离（Manhattan distance）或绝对值范数（Absolute value norm），是向量中各个元素绝对值之和。

对于一个n维向量x = [x1, x2, ..., xn]，L1公式计算： ( ||x||_1 = |x_1| + |x_2| + ... + |x_n| )

由于其性质，L1范数在某些优化问题中会导致解向量的稀疏性，即解的许多组件为零。 这使得L1范数在特征选择和稀疏表示中特别有用。

常用于Lasso正则化，可以用于特征选择

L2范数（L2 norm）

也被称为欧几里得范数（Euclidean norm）或模长（Magnitude），是向量各个元素平方和的平方根。

对于同一个n维向量x，其L2范数定义为： ( ||x||_2 = \sqrt{|x_1|^2 + |x_2|^2 + ... + |x_n|^2} )

L2范数：对异常值更敏感。

L2范数通常更容易求解，尤其是当使用像梯度下降这样的优化算法时。

L2范数：常用于Ridge正则化，有助于防止模型过拟合。

损失函数 &目标函数

定义

损失函数： 损失函数用于衡量模型预测值与真实值之间的差异。 在XGBoost中，损失函数通常用于评估模型在单个样本上的预测误差。

常见损失函数： 1. 回归常用：     1.1 均方误差（Mean Squared Error, MSE）： 用于回归问题，计算预测值与实际值差的平方的平均值。     1.2 绝对误差（Mean Absolute Error, MAE）： 计算预测值与实际值差的绝对值的平均值，常用于回归问题。 2. 分类常用：     2.1 交叉熵损失（Cross-Entropy Loss）： 其中， 是真实类别数量， 是真实标签的独热编码，<math><semantics><mrow><msub><mrow><mi>o</mi><mo separator="true">,</mo><mi>c</mi></mrow></msub></mrow></semantics></math>  是模型预测属于第  类的概率。     2.2 对数损失（Log Loss）或对数似然损失（Log-Likelihood Loss）： 与交叉熵损失相似，通常用于二分类问题。 其中， 是二进制标签（0或1)， 是模型预测的概率。     2.3 Hinge损失（Hinge Loss）： 用于支持向量机（SVM），用于分类问题。 其中， 是样本的特征向量， 是样本的标签。

目标函数： 如XGBoost的目标函数＝损失函数+ 正则化项的加权和 目标函数优化的过程就是最小化预测误差和模型复杂度的过程。

类型

经验风险损失函数： 它表示预测结果和实际结果的差别。 在XGBoost中，这通常通过泰勒展开式（通常到二阶）来近似损失函数，以更精确地逼近最优解。

结构风险损失函数： 在经验风险损失函数的基础上，加上正则项，用于控制模型的复杂度。 正则项通常包括树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和等。

计算

正则化项： 正则化项用于防止过拟合，它包含了树模型的复杂度。 正则化项可以写作：其中，T是叶子节点的数量，w是叶子节点的分数，λ和γ是正则化参数。

泰勒展开式： 是一种数学计算方法，如XGBoost中使用泰勒展开式对损失函数进行近似计算。 对于一般的损失函数，泰勒展开式可以写作：其中，f(x)是当前模型的预测值， g和h分别是损失函数关于预测值的一阶导数（梯度）和二阶导数（海森矩阵）。0

应用

模型训练： 在模型训练过程中，XGBoost通过最小化目标函数（即损失函数和正则化项的加权和）来构建最优模型。

模型评估： 损失函数也用于评估模型的性能。 损失越小，表示模型在训练集上的预测误差越小，模型的性能通常也越好。

损失函数选择

选择合适的损失函数： 不同的预测建模问题（如分类或回归）需要选择不同的损失函数。 例如，对于分类问题，常用的损失函数有softmax交叉熵损失函数；对于回归问题，常用的损失函数有均方误差损失函数。