跳到主要內容

一文讀懂：GBDT梯度提升

先縷一縷幾個關係：



  • GBDT是gradient-boost decision tree

  • GBDT的核心就是gradient boost，我們搞清楚什麼是gradient boost就可以了

  • GBDT是boost中的一種方法，boost還有XGBoost，adaboost。


基本概念


【Boost】就是讓多個弱分類器，通過不同的集成方式，來讓多個弱分類器變成一個強分類器。


【gradient-boost】 梯度提升。簡單的說，先訓練一個弱分類器，然後弱分類器和目標值之間的殘差，作為下一個弱分類器訓練的目標值。這裡有一個非常簡單的例子



  • 第一個模型預測年齡，雖然真實值是30歲，第一個模型只給出了20歲的估計值；

  • 第二棵樹要預測的就是這個10歲的殘差，但是第二棵樹只給出了6歲的估計值；

  • 第三棵樹預測的是第二棵樹的4歲的殘差，但是………………（禁止套娃）


梯度 or 殘差 ？


對於GBDT，網上的很多文章都沒有講清楚，學習梯度還是學習殘差？從上面的那個例子來看，是學習殘差的。


其實，從來GBDT都是學習梯度的，學習殘差只是學習梯度的一個特例!


如果我們是在做一個回歸任務（就像是上面例子中預測年齡），採用平方損失：\(loss = \frac{1}{2}\sum^n_i{(y_i-\hat{y_i})^2}\)
其中\(y_i\)是真實數值，\(\hat{y_i}\)是模型預測的值。


然後想求取這個關於\(\hat{y_i}\)的梯度，那就是：
\(\frac{\partial loss}{\partial \hat{y^i}}=(-1)(y_i-\hat{y_i})\)


所以殘差在平方損失的情況下，就是等於負梯度,所以兩者一回事。


殘差過於敏感


對於數據不幹凈，沒有清晰掉異常值的數據樣本。使用平方損失對異常值過於敏感了：

所以，這裡在回歸問題中，也可以考慮使用下面的兩個損失函數：



  • Absolute loss:
    \(loss=|y-\hat{y}|\)


  • Huber loss:
    這個是設置一個閾值，當\(|y-\hat{y}|\)小於這個閾值的時候，採用平方損失，當\(|y-\hat{y}|\)大於這個閾值的時候，採用類似於絕對損失的線性損失：

    這裏看一下huber loss的函數圖像：

    就是一個平方損失，一個線性損失。



然後看一下平方損失，絕對損失，huber損失對於異常值的容忍程度：


CART回歸樹分裂思路（可不看）


其實這個問題看起來問的不明所以，其實是問你決策樹如何選擇特徵的。從上面的例子可以看出來，GDBT應該是處理回歸問題的（處理連續數據的）。當然，GDBT也有辦法處理分類問題，只是這裏就不說了，這裏主要說GDBT怎麼處理回歸問題的，回歸問題能處理，那麼總有回歸離散化的辦法的


這個問題是在問：CART TREE如何選擇特徵的CART TREE就是回歸決策樹，就是之前提到的弱分類器。


一個決策樹，希望讀者已經有一個大概的理解了。簡單說就是：樣本可以根據的特徵A是否超過某一個閾值劃分成兩部分，然後劃分之後的每一個部分又可以根據某一個特徵是否超過某一個閾值再分成兩部分……


這樣我們就要做出選擇了：每一個部分是根據哪一個特徵去劃分？根據這個特徵的哪一個數值作為閾值劃分？


如果我們算力無窮，那麼自然可以遍歷每一個特徵，然後窮舉每一種可能的分割點，然後對比找到最優分割點。


那麼如何判斷分割的點的好壞呢？得給出一個cost函數，或者叫做loss函數這樣的東西吧。


\(loss= \sum_{第一部分}{(y_i-me an(y_{第一部分}))^2}+\sum_{第二部分}{(y_i-mean(y_{第二部分}))^2}\)


看一下這個公式，我把公式寫的太丑了。其實這個公式非常的好理解：現在根據某一個特徵值，根據某一個閾值把樣本分成了兩個部分：第一部分和第二部分。然後計算每一個部分的樣本的label的均值，也就是公式中的：\(mean(y_{第一部分})\),\(mean(y_{第二部分})\)，然後計算第一部分中所有樣本的label與第一部分label均值之間的差的平方和，同樣的過程計算第二個部分的，兩個相加起來就是這個loss。選擇能夠讓這個loss最小的分割特徵和分割閾值，就是我們要找的東西。


其實我在學這一塊的時候，發現這個過程像是什麼？像不像聚類算法，通過上面的loss的最小化的過程，把一堆樣本分成兩類，讓兩類的類內距離最小。那個均值就像是求類中心點，計算每一個label距離類中心點的距離。（這一段看不懂也沒事）


喜歡的話請關注我們的微信公眾號~【你好世界煉丹師】。



  • 公眾號主要講統計學，數據科學，機器學習，深度學習，以及一些參加Kaggle競賽的經驗。

  • 公眾號內容建議作為課後的一些相關知識的補充，飯後甜點。

  • 此外，為了不過多打擾，公眾號每周推送一次，每次4~6篇精選文章。


微信搜索公眾號：你好世界煉丹師。期待您的關注。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理
【其他文章推薦】

※USB CONNECTOR掌控什麼技術要點? 帶您認識其相關發展及效能



※台北網頁設計公司這麼多該如何選擇?



※智慧手機時代的來臨，RWD網頁設計為架站首選



※評比南投搬家公司費用收費行情懶人包大公開



※幫你省時又省力,新北清潔一流服務好口碑



※回頭車貨運收費標準


Orignal From: 一文讀懂：GBDT梯度提升

留言

張貼留言

這個網誌中的熱門文章

Python 併發總結，多線程，多進程，異步IO

1 測量函數運行時間 import time def profile(func): def wrapper(*args, ** kwargs): import time start = time.time() func( *args, ** kwargs) end = time.time() print ' COST: {} ' .format(end - start) return wrapper @profile def fib(n): if n<= 2 : return 1 return fib(n-1) + fib(n-2 ) fib( 35 )   2 啟動多個線程，並等待完成   2.1 使用threading.enumerate() import threading for i in range(2 ): t = threading.Thread(target=fib, args=(35 ,)) t.start() main_thread = threading.currentThread() for t in threading.enumerate(): if t is main_thread: continue t.join()   2.2 先保存啟動的線程 threads = [] for i in range(5 ): t = Thread(target=foo, args= (i,)) threads.append(t) t.start() for t in threads: t.join()   3 使用信號量，限制同時能有幾個線程訪問臨界區 from threading import Semaphore import time sema = Semaphor...
張貼留言
閱讀完整內容

高雄十大包子名店出爐

, 圖文：吳恩文 高雄包子大賽落幕了，我只能就我個人意見， 介紹一下前十名這些包子，但是不能代表其他四位評審的意見，雖然身為評審長，我通常不會第一個表示意見，以免影響其他評審， 我主要工作是負責發問。   這次參賽的素包子很少，而且都不夠細致，又偏油，我不愛， 但是第一名的甜芝麻包－熔岩黑金包，竟然是素食得名－ 漢來蔬食巨蛋店。   這包子賣相太好，竹炭粉的黑色外皮刷上金粉，一上桌，眾人驚呼， 搶拍照，內餡是芝麻餡，混一點花生醬增稠，加入白糖芝麻油， 熔岩爆漿的程度剛剛好，我一直以為芝麻要配豬油才行、 但是選到好的黑芝麻油一樣不減香醇， 當下有二位評審就想宅配回家。   尤其特別的是，黑芝麻餡室溫易化，師傅必須要輪班躲在冷藏室內， 穿著大外套才能包，一天包不了多少，我笑說，漢來美食，集團餐廳那麼多，實力雄厚，根本是「 奧運選手報名參加村裡運動會」嘛，其他都是小包子店啊， 但是沒辦法，顯然大家都覺得它好看又好吃， 目前限定漢來蔬食高雄巨蛋店，二顆88元，可以冷凍宅配， 但是要排一陣子，因為供不應求，聽說，四月份， 台北sogo店開始會賣。   第二名的包子，左營寬來順早餐店，顯然平易近人的多，一顆肉包， 十塊錢，是所有參賽者中最便宜的，當然，個頭也小， 它的包子皮明顯和其他不同，灰灰的老麵，薄但紮實有嚼勁， 肉餡新鮮帶汁，因為打了些水，味道極其簡單，就是蔥薑，塩， 香油，薑味尤其明顯，是老眷村的味道， 而特別的是老闆娘是台灣本省人， 當年完全是依據眷村老兵的口味一步一步調整而來，沒有加什麼糖、 五香粉，胡椒粉，油蔥酥。就是蔥薑豬肉和老麵香，能得名， 應該是它的平實無華，鮮美簡單，打動人心。   這是標準的心靈美食，可以撫慰人心，得名之前，寛來順已經天天排隊，現在，恐怕要排更久了， 建議大家六七點早點上門。   第三名，「專十一」很神奇，我記得比賽最後， 大家連吃了幾家不能引起共鳴的包子，有些累，到了專十一， 就坐著等包子，其他評審一吃，就催我趕快試，我一吃， 也醒了大半。   它的包子皮厚薄適中，但是高筋麵粉高些，老麵加一點點酵母， 我心中，它的皮屬一屬二，至於餡又多又好吃，蛋黃還是切丁拌入， 不是整顆放，吃起來「美味、均衡、飽滿」。一顆二十元。   老闆是陸軍專科十一期畢業取名專十一，...
張貼留言
閱讀完整內容

韋伯連續劇終於更新 期待第一季順利完結

　　地球天文學界的跳票大王詹姆斯·韋伯空間望遠鏡 (James Webb Space Telescope，縮寫為 JWST)自 1996 年以來斷斷續續不按劇本演出的連續劇終於讓焦慮的觀眾們又等到了一次更新：五層遮陽罩測試順利完成。 裝配完成的韋伯望遠鏡與好夥伴遮陽罩同框啦。Credit: NASA 　　嚴格的測試是任何空間任務順利成功的重中之重。遮陽罩，這個韋伯望遠鏡異常重要的親密夥伴，要是無法正常運轉的話，韋伯的這一季天文界連續劇說不準就要一直拖更了。 　　詹姆斯·韋伯空間望遠鏡是歷史上造出的最先進的空間望遠鏡。它不僅是一架紅外望遠鏡，還具有特別高的靈敏度。但想要達到辣么高的靈敏度來研究系外行星和遙遠的宇宙童年，韋伯童鞋必須非常"冷靜"，體溫升高的話，靈敏度會大大折損。這個時候，遮陽罩就要大顯身手啦。 　　遮陽罩在韋伯的設計中至關重要。韋伯望遠鏡會被發射到拉格朗日 L2 點，運行軌道很高，遠離太陽、地球與月球。太陽是韋伯的主要熱量干擾的來源，其次是地球與月球。遮陽罩會有效阻斷來自這三大熱源的能量並保護韋伯維持在工作溫度正常運轉。這個工作溫度指的是零下 220 攝氏度(-370 華氏度；50 開爾文)。 上圖中我們可以看出，韋伯望遠鏡的配置大致可分為兩部分：紅色較熱的一面溫度為 85 攝氏度，藍色較冷的一面溫度達到零下 233 攝氏度。紅色的這部分中，儀器包括太陽能板、通信設備、計算機、以及轉向裝置。藍色部分的主要裝置包括鏡面、探測器、濾光片等。Credit: STSci. 　　遮陽罩的那一部分和望遠鏡的鏡面這部分可以產生非常極端的溫差。遮陽的這面溫度可以達到 110 攝氏度，足以煮熟雞蛋，而背陰處的部分溫度極低，足以凍結氧氣。 　　工程師們剛剛完成了五層遮陽罩的測試，按照韋伯在 L2 時的運行狀態安裝了遮陽罩。L2 距離地球約 160 萬公里。NASA 表示這些測試使用了航天器的自帶系統來展開遮陽罩，測試目前都已成功完成。韋伯望遠鏡遮陽罩負責人 James Cooper 介紹說這是遮陽罩"第一次在望遠鏡系統的电子設備的控制下展開。儘管這個任務非常艱巨，難度高，但測試順利完成，遮陽罩展開時的狀態非常驚艷"。 　　遮陽罩由五層 Kapton 製成。Kapton 是一種聚酰亞胺薄膜材料， 耐高溫絕...
張貼留言
閱讀完整內容