1.什么是GBDT算法
GBDT(Gradient Boosting Decision Tree),全名叫梯度提升决策树,是一种迭代的决策树算法,又叫 MART(Multiple Additive Regression Tree),它通过构造一组弱的学习器(树),并把多棵决策树的结果累加起来作为最终的预测输出。该算法将决策树与集成思想进行了有效的结合。
GBDT主要由三个概念组成:Regression Decistion Tree(即DT),Gradient Boosting(即GB),Shrinkage (算法的一个重要演进分枝,目前大部分源码都按该版本实现)。
- DT:GBDT中的树都是回归树,不是分类树;将所有树的结果累加起来作为最终的结果。
- GB:沿着梯度方向,构造一系列的弱分类器函数,并以一定的权重组合起来,形成最终决策的强分类器。
- Shrinkage:每次走一小步逐渐逼近结果,要比每次迈一大步很快逼近结果的方式更容易避免过拟合。
2.集成学习
2.1 集成学习简介
集成学习是通过构建组合多个学习器任务完成学习任务的算法。集成常见的分类有:Bagging 和 Boosting
2.2 Boosting算法
Boosting方法训练基分类器时采用串行的方式,各个基分类器之间有依赖。它的基本思路是将基分类器(欠拟合)层层叠加,每一层在训练的时候,对前一层基分类器分错的样本,给予更高的权重。测试时,根据各层分类器的结果的加权得到最终结果。 Boosting算法涉及两个部分,加法模型(强分类器由一系列弱分类器线性相加而成)和前项分布(下一轮迭代产生的分类器是在上一轮的基础上训练得来的)算法。
2.2 Bagging算法
Bagging 与 Boosting 的串行训练方式不同,Bagging 方法在训练过程中,各基分类器(过拟合)之间无强依赖,可以进行并行训练。
3.BDT 与 GBDT原理详解
3.1 BDT
提升树算法是以 CART决策树为基学习器的集成学习方法。
提升树算法实际上是加法模型和前向分布算法,将其表示如下:
在前向分布算法的第 步时,对于给定当前的模型 ,求解:
3.2 GBDT
- 所有弱分类器的结果相加等于预测值。
- 每次都以当前预测为基准,下一个弱分类器去拟合误差函数对预测值的残差(预测值与真实值之间的误差)。
- GBDT的弱分类器使用的是树模型。
上图是一个非常简单帮助理解的示例,用 GBDT 去预测年龄:
- 第一个弱分类器(第一棵树)预测一个年龄(如 岁),计算发现误差有 岁;
- 第二棵树预测拟合残差,预测值 ,计算发现差距还有 岁;
- 第三棵树继续预测拟合残差,预测值 ,发现差距只有 岁了;
- 第四课树用 岁拟合剩下的残差,完成。
最终,四棵树的结论加起来,得到 岁这个标注答案(实际工程实现里,GBDT 是计算负梯度,用负梯度近似残差)。
3.1 GBDT与负梯度近似残差
GBDT全称:Gradient Boosting Decision Tree,即为梯度提升决策树,理解为:梯度提升+决策树。Friedman 提出最速下降的近似方法,利用损失函数的负梯度拟合基学习器。
那么如何理解这个近似呢?通过平方损失函数来回答这个问题:
为了求导方便,在损失函数前面乘以
对 求导,可得:
残差是梯度的相反数,即有:
在 GBDT中就是使用负梯度作为残差进行拟合。
回归任务下,GBDT在每一轮的迭代时对每个样本都会有一个预测值,此时的损失函数为均方差损失函数:
损失函数的负梯度计算如下:
可以看出,当损失函数选用「均方误差损失」时,每一次拟合的值就是(真实值-预测值),即残差。
3.2 GBDT训练过程
假定训练集只有 个人 ,他们的年龄分别是 。其中 分别是高一和高三学生; 分别是应届毕业生和工作两年的员工。
先看看用回归树来训练,得到的结果如下图所示:
接下来使用GBDT训练,由于样本数据少,我们限定叶子节点最多为 (即每棵树都只有一个分枝),并且限定树的棵数为 。最终训练得到的结果如下图所示:
从上图可知:年龄较为相近,年龄较为相近,被分为左右两支,每支用平均年龄作为预测值。
- 计算残差(即「实际值」-「预测值」),所以 的残差 。
- 这里 的「预测值」是指前面所有树预测结果累加的和,在当前情形下前序只有一棵树,所以直接是 ,其他多树的复杂场景下需要累加计算作为 的预测值
上图中的树就是残差学习的过程了:
- 把 的值换作残差 ,再构建一棵树学习,这棵树只有两个值 和 ,直接分成两个节点: 在左边, 在右边。
- 这棵树学习残差,在我们当前这个简单的场景下,已经能保证预测值和实际值(上一轮残差)相等了。
- 我们把这棵树的预测值累加到第一棵树上的预测结果上,就能得到真实年龄,这个简单例子中每个人都完美匹配,得到了真实的预测值。
最终的预测过程是这样的:
: 岁高一学生,购物较少,经常问学长问题;预测年龄
: 岁高三学生;购物较少,经常被学弟问问题;预测年龄
: 岁应届毕业生;购物较多,经常问师兄问题;预测年龄
: 岁工作两年员工;购物较多,经常被师弟问问题;预测年龄
综上,GBDT 需要将多棵树的得分累加得到最终的预测得分,且每轮迭代,都是在现有树的基础上,增加一棵新的树去拟合前面树的预测值与真实值之间的残差。
3.3 思考
Q:回归树与GBDT得到的结果是相同的,那么为啥还要使用GBDT?
答:防止模型过拟合
在训练精度和实际精度(或测试精度)之间,后者才是我们想要真正得到的。
在上述的实例中,回归树算法为了达到 精度使用了 个 feature(上网时长、时段、网购金额),其中分枝“上网时长 > ” 很显然已经过拟合了,在这个数据集上 也许恰好 每天上网 , 上网 ,但用上网时间是不是 > 来判断所有人的年龄很显然是有悖常识的。而GBDT算法只用了 个feature就搞定了,后一个feature是问答比例,显然GBDT算法更靠谱。Boosting的最大好处在于,每一步的残差计算其实变相地增大了分错instance的权重,而已经分对的instance则都趋向于 。这样后面的树就能越来越专注那些前面被分错的instance。
4.梯度提升 vs 梯度下降
对比一下「梯度提升」与「梯度下降」。这两种迭代优化算法,都是在每1轮迭代中,利用损失函数负梯度方向的信息,更新当前模型,只不过:
- 梯度下降中,模型是以参数化形式表示,从而模型的更新等价于参数的更新。
- 梯度提升中,模型并不需要进行参数化表示,而是直接定义在函数空间中,从而大大扩展了可以使用的模型种类。
4.1 GBDT中的梯度
基于Boosting的集成学习是通过一系列的弱学习器,进而通过不同的组合策略得到相应的强学习器。在GBDT的迭代中,假设前一轮的得到的强学习器为 ,对应的损失函数则为 。因此在新一轮迭代的目的就是找到了一个弱学习器 ,使得损失函数 达到最小。难点在于损失函数如何度量?
梯度提升算法:利用最速下降的近似方法,即利用损失函数的负梯度在当前模型的值,作为回归问题中提升树算法的残差的近似值,拟合一个回归树。第 轮的第 个样本的负梯度表示为:
4.2 GBDT回归算法基本流程
输入: 训练数据集 ,最大迭代次数 ,损失函数
输出: 回归树
1.初始化
2.For to :
2.1 For to compute:
2.2 对 拟合回归树,得到第 棵树的叶子结点区域
2.3 For to compute:
2.4 更新
3.输出回归树:
5.GBDT优缺点
5.1 优点
- 预测阶段,因为每棵树的结构都已确定,可并行化计算,计算速度快。
- 适用稠密数据,泛化能力和表达能力都不错,数据科学竞赛榜首常见模型。
- 可解释性不错,鲁棒性亦可,能够自动发现特征间的高阶关系。
5.2 缺点
- GBDT 在高维稀疏的数据集上,效率较差,且效果表现不如 SVM 或神经网络。
- 适合数值型特征,在 NLP 或文本特征上表现弱。
- 训练过程无法并行,工程加速只能体现在单棵树构建过程中。
6.随机森林 vs GBDT
6.1 相同点
- 都是集成模型,由多棵树组构成,最终的结果都是由多棵树一起决定。
- RF 和 GBDT 在使用 CART 树时,可以是分类树或者回归树。
6.2 不同点
- 训练过程中,随机森林的树可以并行生成,而 GBDT 只能串行生成。
- 随机森林的结果是多数表决表决的,而 GBDT 则是多棵树累加之。
- 随机森林对异常值不敏感,而 GBDT 对异常值比较敏感。
- 随机森林降低模型的方差,而 GBDT 是降低模型的偏差。
7.GBDT实践
7.1 数据说明
新能源汽车充电桩的故障检测问题,提供 条训练数据(标签: 代表充电桩正常, 代表充电桩有故障),参赛者需对 条测试数据进行预测。
7.2 数据
训练数据: data_train.csv
测试数据:data_test.csv
7.3 代码实现
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingClassifier
import joblib
# 读取数据
data = pd.read_csv(r"./data/data_train.csv", sep=',' )
# ['K1K2驱动信号','电子锁驱动信号','急停信号','门禁信号','THDV-M','THDI-M']
x_columns = []
# 读取文件,去除id和label标签项,并把数据分成训练集和验证集
for x in data.columns:
if x not in ['id', 'label']:
x_columns.append(x)
X = data[x_columns]
y = data['label']
# 采用默认划分比例,即75%数据作为训练集,25%作为预测集。
x_train, x_test, y_train, y_test = train_test_split(X, y)
# 模型训练,使用GBDT算法
gbr = GradientBoostingClassifier(n_estimators=3000, max_depth=2, min_samples_split=2, learning_rate=0.1)
gbr.fit(x_train, y_train.ravel())
joblib.dump(gbr, './model/train_model_result4.m') # 保存模型
y_gbr = gbr.predict(x_train)
y_gbr1 = gbr.predict(x_test)
acc_train = gbr.score(x_train, y_train)
acc_test = gbr.score(x_test, y_test)
print(acc_train)
print(acc_test)
模型预测
# -*- coding: utf-8 -*-
import numpy as np
import pandas as pd
import joblib
# 加载模型并预测
gbr = joblib.load('./model/train_model_result4.m') # 加载模型
test_data = pd.read_csv(r"./data/data_test.csv")
testx_columns = []
for xx in test_data.columns:
if xx not in ['id', 'label']:
testx_columns.append(xx)
test_x = test_data[testx_columns]
test_y = gbr.predict(test_x)
test_y = np.reshape(test_y, (36644, 1))
# 保存预测结果
df = pd.DataFrame()
df['id'] = test_data['id']
df['label'] = test_y
df.to_csv("./result/data_predict.csv", header=None, index=False)
8.总结
- GBDT是一种基于Boosting思想的迭代决策树算法,通过构造一组弱的学习器(树),并把多棵决策树的结果累加起来作为最终的预测输出。该算法将决策树与集成思想进行了有效的结合。
- 集成学习Boosting(降低偏差)和Bagging(降低方差)的理解以及区别。
- GBDT算法的思想:所有弱分类器的结果相加等于预测值;每次都以当前预测为基准,下一个弱分类器去拟合误差函数对预测值的残差(预测值与真实值之间的误差)。
- GBDT的理解:残差(每棵树学习的都是前一棵树的残差-全局最优)和梯度(每一棵回归树通过梯度下降法学习之前输的梯度下降值–局部最优)
本文仅仅作为个人学习记录所用,不作为商业用途,谢谢理解。
参考:
1.https://www.jianshu.com/p/47e73a985ba1
2.https://www.showmeai.tech/tutorials/34?articleId=193
版权声明:本文为博主作者:独影月下酌酒原创文章,版权归属原作者,如果侵权,请联系我们删除!
原文链接:https://blog.csdn.net/weixin_44852067/article/details/130251707