【零散知识】gradient boosting的简单实践（xgboost）

最新推荐文章于 2024-11-13 19:53:59 发布

爱吃苹果的魚

最新推荐文章于 2024-11-13 19:53:59 发布

阅读量820

点赞数

分类专栏： python 神经网络与机器学习零散知识文章标签： xgboost Python

本文链接：https://blog.csdn.net/fish_like_apple/article/details/88638481

版权

本文介绍了xgboost在机器学习中的应用，包括其正则项、误差二阶导信息利用和稀疏觉察的分裂寻找等特点。通过一个西瓜数据集的实践例子展示了如何在Python环境中使用xgboost进行训练和评估，同时分享了参数设置的经验。

摘要由CSDN通过智能技术生成

前言：

{

昨天简单了解了一下gradient boosting，实际上在机器学习比赛中，gradient boosting的算法非常流行。这次要记录的是gradient boosting的一种实现：xgboost（eXtreme Gradient Boosting）。

}

正文：

{

xgboost的简单介绍：

{

论文原文地址：[1]。

对于xgboost的主要结构特点，知乎回答[2]的中已经描述了大概情况，我就在这写一点我的理解：

1，添加了正则项，把模型的复杂度作为目标函数的一部分，见式（2）。正则项是一个避免过拟合的有效手段，甚至tensorflow都会在返回的损失里默认添加正则项[3]。

2，使用了误差的二阶导信息。gradient boosting模型的目标函数为，可以看到，误差部分只是把新残差模型的输出直接加到原模型的输出上的结果。但是xgboost的目标函数为，其中并且。对比泰勒公式，可以发现新的目标函数中左边的每次误差部分变成了 $f(z)=l(y_{i},z)$ 在 $\widehat{y}^{(t-1)}$ 处的二阶泰勒展开，并且z= $\widehat{y}^{t}$ ，因为此时就是预测的 $\widehat{y}^{t}$ - $\widehat{y}^{(t-1)}$ ，上述误差部分就相当于 $f(\widehat{y}^{t})=l(y_{i},\widehat{y}^{t})$ 。