XGBoost: A Scalable Tree Boosting System

系统设计那里不是很明白。

ABSTRACT

提出xgboost，一个端到端的梯度提升算法的实现。具有如下特点：
1.提出稀疏感知算法来处理稀疏数据
2.加权分位点概要算法进行近似
3.在缓存命中模式、数据压缩和分片上的创新

目标函数

第一部分是损失函数，用来拟合label，第二部分是正则项，用来防止过拟合。

去掉正则项之后，目标函数就是传统的GBDT。

GBDT 算法通过加性学习，每轮迭代学习一棵CART树来优化损失函数，并将新的树加入到模型中。

对该损失函数进行泰勒二阶展开，如下

其中，一阶梯度和二阶梯度如下：

去掉常数项，损失函数变成如下形式：

将上式由样本维度改写成叶节点维度：

表示叶子节点j上的样本集合。

假设树模型结构固定，那么每个叶子节点的最优权重为：

并求得此时的最优损失函数：

文中给出了最优损失函数的计算的一个示例：

每个样本计算一阶和二阶梯度，得到树结构之后即可计算最优损失函数。

由于树结构不可能都遍历一遍，文中使用贪心算法，从根节点开始每次迭代都加入一个分支。并使用如下公式评估候选切分点

即切分前的损失函数减去切分后左右子节点的损失函数之和，即使用该切分点划分后损失函数的降幅。

缩减和列采样

这两个方法也是用来防止过拟合的。

缩减（shrinkage）类似学习率，减小单个tree的影响。

列采样是随机森林的做法。 文中提到，列采样比行采样更能防止过拟合。

切分点查找算法

精确贪心算法

k表示特征。
该算法遍历每个特征的每个可能的切分点。
在遍历前需要对样本的特征值进行排序。
复杂度为$$m\ast n\ast log(n)$$

近似算法

精确算法在数据无法全部放入内存和分布式环境下 效率都比较低，为此有了如下的近似算法。

即，首先在查找候选切分点之前计算每个特征的分位点，分为全部模式和局部模式。
然后，在查找切分点时将连续特征分到对应的特征分桶（分桶即使用上面的分位点进行切分的）中，然后聚合每个分桶中的统计值（一阶梯度和二阶梯度）算出最优的切分点（分位点）。

$s_k,v$表示特征k的第v个分位点。

前面提到，有两个模式，一个是全局模式。该模式在初始化阶段就算出所有特征的分位点。然后后面在所有分裂的地方都使用这些分位点。
局部模式，或者叫本地模式。即在每次分裂的时候都再算一遍分位点。明显全局模式需要的计算更少，但是需要更多的分位点来保证选出来的切分点是比较精确的。 后面也有实验证明，全局模式在分位点足够多时可以达到和本地模式一样的效果。

xgboost 支持单机模式下的精确查找和所有场景（分布式、单机和单机数据无法放入内存？）下的近似查找。

加权分位点概要算法

顾名思义，这个算法不是简单的分位点作为候选切分点，而是使用了权重。这个权重就是样本的二阶梯度。
使用二阶梯度的原因后面说。
先说下使用二阶梯度计算分位点的逻辑：

上式表示第k个特征值小于z时 使用二阶梯度作为权重时的带权分位点。

表示样本的第k个特征和对应的二阶梯度。
根据上式，带权分位点满足如下条件：

$ϵ$ 表示近似参数，对应的切分点个数为 1 / ϵ