XGBoost是陈天奇等人开发的一个开源机器学习项目,高效地实现了GBDT(Gradient Boosting Decision Tree)算法并进行了算法和工程上的许多改进,被广泛应用在Kaggle竞赛及其他许多机器学习竞赛中并取得了不错的成绩。
集成学习就是使用多个分类器对数据进行预测。
因为XGBoost就是GBDT的一个算法,所以先来理解一下GBDT
GBDT
GBDT的原理很简单,就是所有弱分类器的结果相加等于预测值,然后下一个弱分类器去拟合误差函数对预测值的梯度/残差(这个梯度/残差就是预测值与真实值之间的误差)。当然了,它里面的弱分类器的表现形式就是各棵树。
就是先随便确定一个值,再一步步对残差进行预测,残差=真实值 - 当前模型预测的值
大致的流程无非就是如下:
确定目标和损失函数→缩小误差
XGBoost
以下来自XGBoost作者的ppt
举个例子,我们要预测一家人对电子游戏的喜好程度,考虑到年轻和年老相比,年轻更可能喜欢电子游戏,以及男性和女性相比,男性更喜欢电子游戏,故先根据年龄大小区分小孩和大人,然后再通过性别区分开是男是女,逐一给各人在电子游戏喜好程度上打分,如下图所示。
就这样,训练出了2棵树tree1和tree2,类似之前gbdt的原理,两棵树的结论累加起来便是最终的结论,所以小孩的预测分数就是两棵树中小孩所落到的结点的分数相加:2 + 0.9 = 2.9。爷爷的预测分数同理:-1 + (-0.9)= -1.9。具体如下图所示
而XGBoost与GBDT的差异,就在于它们的目标函数。
目标函数
xgboost的核心算法思想就是:
- 不断地添加树,不断地进行特征分裂来生长一棵树,每次添加一个树,其实是学习一个新函数,去拟合上次预测的残差。
注: w q ( x ) w_{q(x)} wq(x)为叶子节点q的分数, F F F对应了所有K棵回归树(regression tree)的集合,而 f ( x ) f(x) f(x)为其中一棵回归树。
- 当我们训练完成得到k棵树,我们要预测一个样本的分数,其实就是根据这个样本的特征,在每棵树中会落到对应的一个叶子节点,每个叶子节点就对应一个分数
- 最后只需要将每棵树对应的分数加起来就是该样本的预测值。
显然,我们的目标是要使得树群的预测值尽量接近真实值y_{i},而且有尽量大的泛化能力。
所以,从数学角度看这是一个泛函最优化问题,故把目标函数简化如下:
L
(
ϕ
)
=
∑
i
l
(
y
i
^
−
y
i
)
+
∑
k
Ω
(
f
k
)
L(\phi)=\sum_{i}l(\hat{y_i}-{y_i})+\sum_{k}\Omega(f_k)
L(ϕ)=∑il(yi^−yi)+∑kΩ(fk)
如你所见,这个目标函数分为两部分:损失函数和正则化项。且损失函数揭示训练误差(即预测分数和真实分数的差距),正则化定义复杂度。
对于上式而言,
y
i
^
\hat{y_i}
yi^是整个累加模型的输出,正则化项
∑
k
Ω
(
f
k
)
\sum_{k}\Omega(f_k)
∑kΩ(fk)
是则表示树的复杂度的函数,值越小复杂度越低,泛化能力越强,其表达式为
Ω
(
f
)
=
γ
T
+
1
2
λ
∣
∣
w
∣
∣
2
\Omega(f)=\gamma T+\frac{1}{2}\lambda||w||^2
Ω(f)=γT+21λ∣∣w∣∣2
T表示叶子节点的个数,w表示叶子节点的分数。直观上看,目标要求预测误差尽量小,且叶子节点T尽量少( γ \gamma γ控制叶子结点的个数),节点数值w尽量不极端( λ \lambda λ控制叶子节点的分数不会过大),防止过拟合。