利用GBDT模型构造新特征

实际问题中，可直接用于机器学习模型的特征往往并不多。能否从“混乱”的原始log中挖掘到有用的特征，将会决定机器学习模型效果的好坏。引用下面一句流行的话：

特征决定了所有算法效果的上限，而不同的算法只是离这个上限的距离不同而已。

本文中我将介绍Facebook最近发表的利用GBDT模型构造新特征的方法¹。

论文的思想很简单，就是先用已有特征训练GBDT模型，然后利用GBDT模型学习到的树来构造新特征，最后把这些新特征加入原有特征一起训练模型。构造的新特征向量是取值0/1的，向量的每个元素对应于GBDT模型中树的叶子结点。当一个样本点通过某棵树最终落在这棵树的一个叶子结点上，那么在新特征向量中这个叶子结点对应的元素值为1，而这棵树的其他叶子结点对应的元素值为0。新特征向量的长度等于GBDT模型里所有树包含的叶子结点数之和。

举例说明。下面的图中的两棵树是GBDT学习到的，第一棵树有3个叶子结点，而第二棵树有2个叶子节点。对于一个输入样本点x，如果它在第一棵树最后落在其中的第二个叶子结点，而在第二棵树里最后落在其中的第一个叶子结点。那么通过GBDT获得的新特征向量为[0, 1, 0, 1, 0]，其中向量中的前三位对应第一棵树的3个叶子结点，后两位对应第二棵树的2个叶子结点。

那么，GBDT中需要多少棵树能达到效果最好呢？具体数字显然是依赖于你的应用以及你拥有的数据量。一般数据量较少时，树太多会导致过拟合。在作者的应用中，大概500棵左右效果就基本不改进了。另外，作者在建GBDT时也会对每棵树的叶子结点数做约束——不多于12个叶子结点。

下面是这种方法在我们世纪佳缘的一个概率预测问题上的实际效果。我们只使用了30棵树。第一个图是只使用原始特征的结果，第二个图是原始特征加GBDT新特征的结果。图中横坐标表示预测概率值，纵坐标表示真实概率值。所以预测的点越靠近 y=x y=x这条参考线越好。显然，使用了GBDT构造的新特征后，模型的预测效果好不少。

 

对了，已经有人利用这种方法赢得了Kaggle一个CTR预估比赛的冠军，代码可见https://github.com/guestwalk/kaggle-2014-criteo，里面有这种方法的具体实现。

以下是xgboost生成新特征的一个实现，需要xgb0.6版本及以上

示例代码使用的是sklearn的apply()接口，也可以使用xgboost原生接口，new_feature= bst.predict(X_test, pred_leaf=True)即可得到一个(nsample, ntrees) 的结果矩阵

# -*- coding: utf-8 -*-
"""
Created on Mon Jul  3 21:37:30 2017

@author: bryan
"""

from sklearn.model_selection import train_test_split  
from sklearn import metrics  
from xgboost.sklearn import XGBClassifier  
import pandas as pd
import numpy as np  

def mergeToOne(X,X2):  
    X3=[]  
    for i in range(X.shape[0]):  
        tmp=np.array([list(X.iloc[i]),list(X2[i])])  
        X3.append(list(np.hstack(tmp)))  
    X3=np.array(X3)  
    return X3  

data=pd.read_csv("e:\data\wine.csv")
#打乱数据
data=data.sample(len(data))
y=data.label
X=data.drop("label",axis=1)


#划分训练集测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=0)##test_size测试集合所占比例  

##X_train_1用于生成模型  X_train_2用于和新特征组成新训练集合  
X_train_1, X_train_2, y_train_1, y_train_2 = train_test_split(X_train, y_train, test_size=0.6, random_state=0)  

clf = XGBClassifier(  
 learning_rate =0.2, #默认0.3  
 n_estimators=200, #树的个数  
 max_depth=8,  
 min_child_weight=10,  
 gamma=0.5,  
 subsample=0.75,  
 colsample_bytree=0.75,  
 objective= 'binary:logistic', #逻辑回归损失函数  
 nthread=8,  #cpu线程数  
 scale_pos_weight=1,  
 reg_alpha=1e-05,  
 reg_lambda=10, 
 seed=1024)  #随机种子  
        
clf.fit(X_train_1, y_train_1)  
new_feature= clf.apply(X_train_2)  

X_train_new2=mergeToOne(X_train_2,new_feature)  
new_feature_test= clf.apply(X_test)  
X_test_new=mergeToOne(X_test,new_feature_test)  


model = XGBClassifier(  
 learning_rate =0.05, #默认0.3  
 n_estimators=300, #树的个数  
 max_depth=7,  
 min_child_weight=1,  
 gamma=0.5,  
 subsample=0.8,  
 colsample_bytree=0.8,  
 objective= 'binary:logistic', #逻辑回归损失函数  
 nthread=8,  #cpu线程数  
 scale_pos_weight=1,  
 reg_alpha=1e-05,  
 reg_lambda=1,  
 seed=1024)  #随机种子  

model.fit(X_train_2, y_train_2)  
y_pre= model.predict(X_test)  
y_pro= model.predict_proba(X_test)[:,1]   

print("AUC Score :",(metrics.roc_auc_score(y_test, y_pro)))   
print("Accuracy :",(metrics.accuracy_score(y_test, y_pre)))  


model = XGBClassifier(  
 learning_rate =0.05, #默认0.3  
 n_estimators=300, #树的个数  
 max_depth=7,  
 min_child_weight=1,  
 gamma=0.5,  
 subsample=0.8,  
 colsample_bytree=0.8,  
 objective= 'binary:logistic', #逻辑回归损失函数  
 nthread=8,  #cpu线程数  
 scale_pos_weight=1,  
 reg_alpha=1e-05,  
 reg_lambda=1,  
 seed=1024)  #随机种子  

model.fit(X_train_new2, y_train_2)  
y_pre= model.predict(X_test_new)  
y_pro= model.predict_proba(X_test_new)[:,1]   
print("AUC Score :",(metrics.roc_auc_score(y_test, y_pro)))   
print("Accuracy :",(metrics.accuracy_score(y_test, y_pre)))  

#References

1. Xinran He et al. Practical Lessons from Predicting Clicks on Ads at Facebook, 2014. 

2. https://github.com/lytforgood/MachineLearningTrick