GBDT+LR

用GBDT构造组合特征的原理

【1】 首先，用GBDT对原始训练数据做训练，得到一个二分类器，利用网格搜索寻找最佳参数组合。

【2】GBDT训练好做预测的时候，把模型中的每棵树计算得到的/预测概率值所属的叶子结点位置记为1，这样，就针对每个样本行/构造出了新的训练数据。

【3】新的训练数据构造完后，与原始训练数据中的label(输出)数据一并输入到Logistic Regression分类器中进行最终分类器的训练。

注释：（1）在一个具有n个弱分类器、共计m个叶子结点的GBDT中，每一条训练数据都会被转换为1*m维稀疏向量，且有n个元素为1，其余m-n 个元素全为0。（2）利用GBDT，将原始数据提取为新的数据，数据不仅变得稀疏，而且由于弱分类器个数，叶子结点个数的影响，可能会导致新的训练数据特征维度过大的问题，因此，在Logistic Regression这一层中，可使用正则化来减少过拟合的风险，在Facebook的论文中采用的是L1正则化。（3）RF也是多棵树，但从效果上有实践证明不如GBDT。GBDT前面的树，特征分裂主要体现对多数样本有区分度的特征；后面的树，主要体现的是经过前N颗树，残差仍然较大的少数样本。优先选用在整体上有区分度的特征，再选用针对少数样本有区分度的特征，思路更加合理。

代码实现

import numpy as np
from sklearn.preprocessing import OneHotEncoder
from sklearn.ensemble import GradientBoostingClassifier
import pandas as pd

titanic=pd.read_csv('http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt')
X_train=titanic[['pclass','age','sex']]
Y_train=titanic['survived']
X_train['age'].fillna(X_train['age'].mean(),inplace=True)
print(X_train.shape,Y_train.shape)

from sklearn.feature_extraction import DictVectorizer #特征转换器:将类别型特征独热编码
vec=DictVectorizer(sparse=False)
X_train=vec.fit_transform(pd.DataFrame(X_train).to_dict(orient='record'))


gbm1 = GradientBoostingClassifier(n_estimators=2, random_state=10, subsample=0.6, max_depth=2, min_samples_split=20)
gbm1.fit(X_train, Y_train)
train_new_feature = gbm1.apply(X_train)   #返回训练数据X_train在训练好的模型里每棵树中所处的叶子节点的位置(index)
print(train_new_feature)
train_new_feature = train_new_feature.reshape(-1, 2)

enc = OneHotEncoder()
enc.fit(train_new_feature)
train_new_feature2 = np.array(enc.transform(train_new_feature).toarray())
#做One-hot的方法:OneHotEncoder(),首先fit()过待转换的数据后，再次transform()待转换的数据，就可实现对所有特征的One-hot编码。
#transform()后的数据格式不能直接使用，最后需要使用.toarray()将其转换成数组结构。
print(train_new_feature2,train_new_feature2.shape)

#Output:
# (1313, 6) (1313,)
# [[[2.]
#   [5.]]
# 
#  [[2.]
#   [5.]]
# 
#  [[6.]
#   [3.]]
# 
#  ...
# 
#  [[6.]
#   [3.]]
# 
#  [[3.]
#   [6.]]
# 
#  [[6.]
#   [3.]]]
# [[1. 0. 0. ... 0. 1. 0.]
#  [1. 0. 0. ... 0. 1. 0.]
#  [0. 0. 0. ... 1. 0. 0.]
#  ...
#  [0. 0. 0. ... 1. 0. 0.]
#  [0. 1. 0. ... 0. 0. 1.]
#  [0. 0. 0. ... 1. 0. 0.]] (1313, 8)