前言
XGBoost是一个可扩展的提升树模型,论文“XGBoost: A Scalable Tree Boosting System”发表在2016年的KDD会议上。文章包括了XGBoost的原理以及对其的优化。本文主要分享XGBoost的推导过程,包含论文内容2.1-2.2部分,这里假设你已掌握决策树、GBDT的相关知识。
本文约2.7k字,预计阅读10分钟。
XGBoost原理
XGBoost最关键的思想就是采用二阶导来近似取代一般损失函数。整个推导过程分为以下几个步骤(问题):
目标函数的构造;
目标函数难以优化,如何近似?
将树的结构(参数化,因为模型的学习参数在树中)融入到目标函数;
如何构造最优(局部)二叉树?采用贪心算法;
目标函数定义
首先我们假设一个数据集中包含 个样本以及每个样本有 个特征,因此数据集可以定义为:
对于提升树模型来说,我们假设共有 个叠加函数(additive functions,即决策树),那么整个模型可以表示为:
其中:
:表示模型对样本的预测值;
:模型函数;
:表示单个样本;
:表示第 决策树;
;表示决策树的空间集合;
我们要学习上述集成模型函数(也称加法模型),则需要最小化正则化后的损失函数(即目标函数,正则化是对复杂决策树的惩罚):
表示第 个决策树的复杂度,这里我们先不去参数化 和 。
梯度提升算法
问题1: 对于上述的目标函数,其实很难在欧氏空间中使用传统的优化方法。
因此,提升树模型采用前向分步的学习方法。假设 表示在第 次迭代时对第 个样本的预测,那么我们可以将目标函数转化为以下形式(这里假设你已掌握提升树算法的知识):
其中, 表示第