GBDT和LR结合使用分析

最新推荐文章于 2024-09-26 09:10:20 发布

hellozhxy

最新推荐文章于 2024-09-26 09:10:20 发布

阅读量3.3k

点赞数 1

分类专栏：机器学习

机器学习专栏收录该内容

306 篇文章 78 订阅

订阅专栏

文章来源：https://www.deeplearn.me/1797.html

GBDT+LR 的特征组合方案是工业界经常使用的组合，尤其是计算广告 CTR 中应用比较广泛，方案的提出者是 Facebook 2014 的一篇论文。

相关的开发工具包，sklearn 和 xgboost（ps：xgboost 是一个大杀器，并且支持 hadoop 分布式,你可以部署实现分布式操作，博主部署过，布置过程较为负责，尤其是环境变量的各种设置）

特征决定模型性能上界，例如深度学习方法也是将数据如何更好的表达为特征。如果能够将数据表达成为线性可分的数据，那么使用简单的线性模型就可以取得很好的效果。GBDT 构建新的特征也是使特征更好地表达数据。

主要参考 Facebook[1]，原文提升效果：

在预测 Facebook 广告点击中，使用一种将决策树与逻辑回归结合在一起的模型，其优于其他方法，超过 3％。

主要思想：GBDT 每棵树的路径直接作为 LR 输入特征使用。

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。

上图为混合模型结构。输入特征通过增强的决策树进行转换。每个单独树的输出被视为稀疏线性分类器的分类输入特征。增强的决策树被证明是非常强大的特征转换。

例子 1：上图有两棵树，左树有三个叶子节点，右树有两个叶子节点，最终的特征即为五维的向量。对于输入 x，假设他落在左树第一个节点，编码[1,0,0]，落在右树第二个节点则编码[0,1]，所以整体的编码为[1,0,0,0,1]，这类编码作为特征，输入到线性分类模型（LR or FM）中进行分类。

需要注意的是在 sklearn 或者 xgboost 输出的结果都是叶子节点的 index，所以需要自己动手去做 onehot 编码，然后交给 lr 训练，onehot 你可以在 sklearn 的预处理包中调用即可

论文中 GBDT 的参数，树的数量最多 500 颗（500 以上就没有提升了），每棵树的节点不多于 12。

下面给出二者相结合的代码演示

# -*- coding: utf-8 -*-
# @Time : 2018/2/27 上午 10:39
# @Author : Tomcj
# @File : gbdt_lr.py
# @Software: PyCharm
import xgboost as xgb
from sklearn.datasets import load_svmlight_file
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_curve, auc, roc_auc_score
from sklearn.externals import joblib
from sklearn.preprocessing import OneHotEncoder
import numpy as np
from scipy.sparse import hstack
def xgb_feature_encode(libsvmFileNameInitial):
# load 样本数据
X_all, y_all = load_svmlight_file(libsvmFileNameInitial)
# 训练/测试数据分割
X_train, X_test, y_train, y_test = train_test_split(X_all, y_all, test_size = 0.3, random_state = 42)
# 定义模型
xgboost = xgb.XGBClassifier(nthread=4, learning_rate=0.08,
n_estimators=50, max_depth=5, gamma=0, subsample=0.9, colsample_bytree=0.5)
# 训练学习
xgboost.fit(X_train, y_train)
# 预测及 AUC 评测
y_pred_test = xgboost.predict_proba(X_test)[:, 1]
xgb_test_auc = roc_auc_score(y_test, y_pred_test)
print('xgboost test auc: %.5f' % xgb_test_auc)
# xgboost 编码原有特征
X_train_leaves = xgboost.apply(X_train)
X_test_leaves = xgboost.apply(X_test)
# 训练样本个数
train_rows = X_train_leaves.shape[0]
# 合并编码后的训练数据和测试数据
X_leaves = np.concatenate((X_train_leaves, X_test_leaves), axis=0)
X_leaves = X_leaves.astype(np.int32)
(rows, cols) = X_leaves.shape
# 记录每棵树的编码区间
cum_count = np.zeros((1, cols), dtype=np.int32)
for j in range(cols):
if j == 0:
cum_count[0][j] = len(np.unique(X_leaves[:, j]))
else:
cum_count[0][j] = len(np.unique(X_leaves[:, j])) + cum_count[0][j-1]
print('Transform features genenrated by xgboost...')
# 对所有特征进行 ont-hot 编码，注释部分是直接使用 onehot 函数，结果输出保证是 libsvm 格式也可以使用
#sklearn 中的 dump_svmlight_file 操作，这个文件代码是参考别人的代码，这些点都是可以优化的。
# onehot=OneHotEncoder()
# onehot.fit(X_leaves)
# x_leaves_encode=onehot.transform(X_leaves)
for j in range(cols):
keyMapDict = {}
if j == 0:
initial_index = 1
else:
initial_index = cum_count[0][j-1]+1
for i in range(rows):
if X_leaves[i, j] not in keyMapDict:
keyMapDict[X_leaves[i, j]] = initial_index
X_leaves[i, j] = initial_index
initial_index = initial_index + 1
else:
X_leaves[i, j] = keyMapDict[X_leaves[i, j]]
# 基于编码后的特征，将特征处理为 libsvm 格式且写入文件
print('Write xgboost learned features to file ...')
xgbFeatureLibsvm = open('xgb_feature_libsvm', 'w')
for i in range(rows):
if i < train_rows:
xgbFeatureLibsvm.write(str(y_train[i]))
else:
xgbFeatureLibsvm.write(str(y_test[i-train_rows]))
for j in range(cols):
xgbFeatureLibsvm.write(' '+str(X_leaves[i, j])+':1.0')
xgbFeatureLibsvm.write('\n')
xgbFeatureLibsvm.close()
def xgboost_lr_train(xgbfeaturefile, origin_libsvm_file):
# load xgboost 特征编码后的样本数据
X_xg_all, y_xg_all = load_svmlight_file(xgbfeaturefile)
X_train, X_test, y_train, y_test = train_test_split(X_xg_all, y_xg_all, test_size = 0.3, random_state = 42)
# load 原始样本数据
X_all, y_all = load_svmlight_file(origin_libsvm_file)
X_train_origin, X_test_origin, y_train_origin, y_test_origin = train_test_split(X_all, y_all, test_size = 0.3, random_state = 42)
# lr 对原始特征样本模型训练
lr = LogisticRegression(n_jobs=-1, C=0.1, penalty='l1')
lr.fit(X_train_origin, y_train_origin)
joblib.dump(lr, 'lr_orgin.m')
# 预测及 AUC 评测
y_pred_test = lr.predict_proba(X_test_origin)[:, 1]
lr_test_auc = roc_auc_score(y_test_origin, y_pred_test)
print('基于原有特征的 LR AUC: %.5f' % lr_test_auc)
# lr 对 load xgboost 特征编码后的样本模型训练
lr = LogisticRegression(n_jobs=-1, C=0.1, penalty='l1')
lr.fit(X_train, y_train)
joblib.dump(lr, 'lr_xgb.m')
# 预测及 AUC 评测
y_pred_test = lr.predict_proba(X_test)[:, 1]
lr_test_auc = roc_auc_score(y_test, y_pred_test)
print('基于 Xgboost 特征编码后的 LR AUC: %.5f' % lr_test_auc)
# 基于原始特征组合 xgboost 编码后的特征
X_train_ext = hstack([X_train_origin, X_train])
del(X_train)
del(X_train_origin)
X_test_ext = hstack([X_test_origin, X_test])
del(X_test)
del(X_test_origin)
# lr 对组合后的新特征的样本进行模型训练
lr = LogisticRegression(n_jobs=-1, C=0.1, penalty='l1')
lr.fit(X_train_ext, y_train)
joblib.dump(lr, 'lr_ext.m')
# 预测及 AUC 评测
y_pred_test = lr.predict_proba(X_test_ext)[:, 1]
lr_test_auc = roc_auc_score(y_test, y_pred_test)
print('基于组合特征的 LR AUC: %.5f' % lr_test_auc)
if __name__ == '__main__':
xgb_feature_encode("/Users/leiyang/xgboost/demo/data/agaricus.txt.train")
xgboost_lr_train("xgb_feature_libsvm","/Users/leiyang/xgboost/demo/data/agaricus.txt.train")