【机器学习】LightGBM 解读 （集成学习_Boosting_GBM）

【机器学习】LightGBM 解读 （集成学习_Boosting_GBM）

1. 介绍

GBDT (Gradient Boosting Decision Tree) 是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。GBDT不仅在工业界应用广泛，通常被用于多分类、点击率预测、搜索排序等任务；在各种数据挖掘竞赛中也是致命武器，据统计Kaggle上的比赛有一半以上的冠军方案都是基于GBDT。

而 LightGBM（Light Gradient Boosting Machine）也是一种 GBDT，LightGBM 可以说是在 XGBoost 上做的优化。它使用决策树作为基学习器。LightGBM 为高效并行计算而生，它的 Light 体现在以下几个点上：

• 更快的训练速度
• 更低的内存使用
• 支持单机多线程，多机并行计算，以及 GPU 训练
• 能够处理大规模数据

---

2. 数据预处理

大数据的大体现在两方面：样本多和特征多。 LightGBM 针对在数据预处理阶段对这两个问题进行了解决。

• 针对样本多的问题，提出了基于梯度的单边采样算法（Gradient-based One-Side Sampling，GOSS）；
• 针对特征多的问题，提出了互斥特征捆绑算法（Exclusive Feature Bundling，EFB）。

2.1 基于梯度的单边采样（GOSS）

样本多，可以删。 LightGBM 利用求得的梯度对样本进行筛选。

• 按常识来看，梯度越大应该是越欠学习。如果大梯度样本能够预测正确，对增益的贡献将会更大，所以希望节点分裂时能够准确地划分大梯度样本，小梯度样本可以有错误。
• 既然如此，筛选样本的时候，就保留大梯度样本，只删除一部分小梯度样本。这就是 GOSS 思路，具体过程如下：
  

1）先对梯度绝对值降序排列，便于筛选
2）设个比例阈值 a，排序后的样本前 a * 100% 叫大梯度样本，全部保留
3）后 $(1-a)\ast 100$ 的样本叫小梯度样本，随机抽样，抽样比例为 $b\ast 100$
4）由于随机抽样不是针对全部样本，所以会改变原始数据分布。为了尽量保持数据分布，需要给抽样出来的样本乘个系数，让他们保持原分布。这个系数是：

解释下算法名字 ——基于梯度的单边采样。

• 基于梯度体现在按照梯度顺序排序；
• 单边采样体现在只在小梯度样本这边采样。

作者在五个数据集上进行了测试，如下表，表中数值为训练单棵决策树需要的秒数。这里只需要关注红框中的两列，

• 其中 EFB_only 这列是只使用了 EFB（互斥特征捆绑）的 LightGBM 方法，
• 另一列是完整的 LightGBM 算法。

所以这两列差别在于左边的没用 GOSS，右边的用了，因此可以用于对比 GOSS 效果。很明显，GOSS 平均能提速一倍左右。

---

2.2 互斥特征捆绑（EFB）

特征多，可降维。 LightGBM 利用稀疏性，对特征进行无损合并。

• 从特征角度来看，稀疏特征会包含很多 0 元素；
• 从样本角度来看，一个样本的多个稀疏特征经常同时为 0。

EFB 基于这种想法，对互斥特征进行了捆绑，整体过程有点类似于 One-Hot 逆过程，以下图为例详细介绍。

1）先看第一个表格，这个是没做 EFB 的原表格。表格里有 6 个样本，每个样本有 5 个特征，前 3 个特征稀疏，后 2 个特征稠密。稠密特征不管，只看稀疏特征，目标是把这三个稀疏特征合并成一个新特征，并把这个新特征叫做 Bundle。

• 当一行样本的 3 个稀疏特征中只有 1 个非零元素时，可以忽略 0 元素，只保留非零元素，这样就实现了 3 -> 1 的降维。
  • 但是显然这样没办法实现 1 -> 3 的还原，因为不清楚合并后得到的非零元素是哪个原始特征的，这就说明我们在合并时损失了一些信息。
• 可以通过数据分布范围内涵地表示合并后元素所属原特征。假设三个特征分布范围都为 1~10，第一个特征不动，第二个特征错开第一个分布，全体元素在坐标轴上向右偏移 10，第三个特征错开前两个特征，全体元素向右偏移 20。这样就形成了箭头下方的第二个表格，每个元素可以根据大小范围判断属于哪个原特征。这个分布错开的过程如下动图：
  

2）注意到，样本 3 在合并的时候，有两个非零元素，不符合要求。LightGBM 把这种情况定义为冲突。如果完全拒绝这种情况，那其实可以合并的特征会很少，所以没办法只能适当容忍冲突。

当几个特征冲突比例小（源码给的阈值是 1/10000 ）的时候，影响不大，忽略冲突，把这几个特征叫做互斥特征；当冲突比例大的时候，不能忽略，EFB 不适用。那么对于样本 3 这种冲突情况，以最后参与合并的特征为准，所以表格里是 20+8 而不是 10+3。

但是我们该如何找出这些互斥特征组合呢？尝试每种组合，是 NP 难问题，现有算力做不到。所以只能采用贪心算法找。具体过程如下：

• 遍历特征，先把第一个特征拿出来作为一个组合
• 第二个特征往这个组合里放，冲突比例小就放进去合并成一个特征，冲突比例大就单拿出来作为另一个组合
• 第三个特征继续往已有的组合里放，能放就放，不能放就单成一个新组合
• 以此类推对所有特征做同样的操作。

对于这里的特征遍历，作者给出了两种遍历顺序，一种是根据互斥性建图，按节点度的降序顺序遍历；另一种是统计特征非零值的个数，按非零值个数的降序顺序遍历。源码里面弱化了排序的作用，有兴趣可以阅读原文和源码。

作者在五个数据集上进行了测试，如下表，表中数值为训练单棵决策树需要的秒数，这里只需要关注红框中的两列，其中 lgb_baseline 这列是使用了普通稀疏优化的 LightGBM 方法，EFB_only 是使用了 EFB 的 LightGBM 方法，EFB 让速度提升了 8 倍左右。

速度提升主要来源于两点：

• 普通的稀疏优化要保存非零值表，用了互斥特征捆绑后，多个稀疏特征捆绑成稠密特征，不用非零值表，节省了内存和维护耗时；
• 在多个稀疏特征间依次遍历时，每次特征切换都存在缓存命中率低（cache miss）的问题，合为一个特征后，不用切换特征，也就没有缓存命中率低的问题了。

3. 决策树学习

决策树的学习过程分为两部分：

• 节点层面：寻找一个叶子节点的最优分裂点（特征的值）
• 树结构层面：选择让哪个叶子节点进行分裂（特征）

3.1 寻找连续特征最优分裂点

对于连续特征，可以用预排序方法计算增益，但每个分裂点都要尝试，计算增益的次数会很多。为了降低算量，LightGBM 对连续特征做等距离离散化，也就是直方图统计，只在直方图每个箱子处计算一次增益。这样对于单个特征来说，计算增益的时间复杂度从不同特征值数量
$O(n_{distinct\_value})$ 降低到直方图箱数量 $O(n_{bin})$，箱数量会控制在 256 以下。因为 $n_{distinct\_value}>>n_{bin}$ ，所以速度提升会很明显。下图对比了预排序和直方图这两种方法：

采用直方图算法，除了速度上的提升，内存消耗也会降低。

• 对于预排序算法，每个样本的每个特征要保存一个 32 位浮点数的特征值，和一个指向样本的有序索引，一个索引也占 32 位；
• 而对于直方图算法，每个样本的每个特征只要保存一个 bin 位置即可，因为 $n_{bin}$ 会限制在 256 以内，所以 8 位整数就够。因此，直方图内存占用能够降低到预排序的 $1/8$。

直方图算法计算增益的位置少了，相比于预排序算法，可能会错过最佳分裂位置。

• 作者说这样其实也避免了过拟合，能够提高泛化能力，同时这点误差能够在梯度提升中被消除。

除此之外，LightGBM 在节点分裂时还采用了直方图做差加速。

• 对于选中的分裂特征，它的直方图在分裂点一刀切开就好了，但对于没被选中的特征，还要按照选中特征的分裂规则，重新构建左、右节点的子直方图。

这里就可以用直方图做差加速的方法，加速这一过程。当父节点分裂时，它的直方图是已知的，只要求出一个叶子节点的直方图，另一个叶子节点的就可以做差得到，减少了算量。这个过程还可以继续优化，在求叶子节点直方图的时候，可以选择样本少的叶子，样本大的叶子通过做差来求，这样进一步缩小了计算量。直方图做差加速能让耗时降低到原先的 $1/2$。

3.2 寻找类别特征最优分裂点

对于类别特征，一般是 One-Hot 编码，然后输入到决策树里。这样决策树在学习节点分裂时，是一种 one-vs-rest 模式，每次只能根据一个类别做分类，如下图。这种模式效率比较低，而且不利于决策树学习。

• LightGBM 对此进行了优化，采用 many-vs-many 模式分裂节点，如下图。

LightGBM 基于这篇文章《On Grouping for Maximum Homogeneity》，对类别特征按照每类的 $\frac{G}{H}=\frac{\sum gradient}{hessian}$进行排序，然后按照这个顺序构造直方图，寻找最优分裂点。

• 这里有一个机器学习常识问题：为什么连续特征可以直接构建直方图，但类别特征要按照 $\frac{G}{H}$ 的顺序构建直方图，而不能按照特征值顺序构建？
  • 因为连续特征中的数值具有大小关系，但类别特征中数值没有大小关系，只是代表某类，比如橘子和苹果这两类，它们不分伯仲。而基于直方图的节点分裂，要求特征中数值具有大小关系，所以类别特征要按 $\frac{G}{H}$ 排个序，引入大小关系，之后再构建直方图。

3.3 按叶子生长策略学习树结构

树结构的生长有两种方式，如下图：

• 一种是大多数 GBDT 算法使用的按层生长策略；
• 另一种是 LightGBM 使用的按叶子生长策略。

• 对于按层生长，一层的节点囊括了所有训练数据，只要遍历一次全部数据，就可以分裂这一层的所有节点，简单方便。
  • 然而这种生长方式带来了很多不必要的分裂，同一层中有些节点分裂带来的增益很小，这种节点应该避免分裂，减小计算开销。
• LightGBM 采用 按叶子生长 策略，来优化这个问题。具体规则是：
  • 在每次分裂时，选择能够带来最大增益的叶子进行分裂。
  • 在同等分裂次数的情况下，显然按叶子生长能够把损失函数降低更多。

4. 多机并行优化

一台机器不够用，那就几台机器一起跑。多机并行存在通信成本问题，机器之间发送的数据信息不能太多，否则会产生大量的额外开销。

之前的并行方法主要有两种：1）特征并行；2）数据并行。他们都是针对寻找最优分裂点这个过程，进行并行计算，各有缺点。
LightGBM 在数据并行的基础上进行了优化，提出选举并行。

下面分别介绍这三种方法。

4.1 特征并行

每个 worker 拥有全部样本的部分特征，它们各自输出自己的局部最优分裂点和增益。在把所有的结果汇总后，比较增益大小，选出全局最优分裂点（特征+阈值）。所有 worker 要根据全局最优进行节点分裂。

但是被选中的全局最优的特征只存储在一个 worker 里，其他 worker 没有这个特征，也就没法根据阈值判断哪个样本分到左叶子，哪个分到右叶子。如何解决？只能让存储了这个特征的 worker 把每个样本的划分结果告诉其他 worker。因为只有左、右两种划分可能，所以可以用一个 bit 存储单个样本的划分结果。这样的话通信量是 $O(n_{sample})$ ，非常大。

除了通信量比较大的问题外，仔细分析会发现有两个过程没法并行：

• 节点分裂：每个 worker 都要自行分裂一遍，不分裂自己就没有新节点，时间复杂度为
• 梯度计算：每个 worker 都要自行计算一遍梯度，不计算自己就没有，时间复杂度为

所以特征并行还有很大的优化空间。

4.1 数据并行

每个 worker 拥有一部分数据的全部特征，它们输出各自的局部直方图，然后汇总成全局直方图，在全局直方图上找出最优分裂点。

数据并行没有特征并行的那些问题，但他的缺点也很明显。它要发送全部的直方图，通信代价是 $O(n_{bin}\times n_{feature})$，当特征数量到成百上千万时，这个通信代价没办法接受。

4.3 选举并行

因此，LightGBM 没有用这两种方法，而是采用了选举并行，这是一种在数据并行基础上改进的算法，是 LightGBM 作者在另一篇文章中提出的。

• 当特征数量很大时，数据并行会有巨大的通信代价，但是如果能够降低需要通信的特征数量，数据并行将是一个非常好的方法。选举并行就是基于这种想法设计的，具体方法如下：
  

  • 让每个 worker 根据增益选出 k 个最有潜力竞争全局最优的特征，叫做局部最优特征
  • 把这些局部最优特征对应的增益和用来计算增益的数据量 $n_{sample}$ 进行汇总
  • 考虑到样本少的增益不可靠，所以把 $\frac{n_{sample}}{max(n_{sample})}$ 作为权重，对增益进行加权
  • 不同 worker 可能选出了相同的增益，这种情况直接把它们的加权增益加一起就好
  • 根据加权增益排序，再一次选出 k 个最有潜力竞争全局最优的特征，叫做全局最优特征
  • 各个 worker 只发送 k 个全局最优特征直方图，汇总后找出最优分裂点

因为每个 worker 只发送 k 个直方图，所以选举并行的通信量是 $O(n_{bin}\times k)$，通过调整 $k$ ，可以控制通信量的大小，极大地降低通信耗时。LightGBM 的并行速度接近线性增长。

作者选取了排序学习和点击率预测两个任务，用来对以上三种并行方法进行耗时测试，单位为小时，结果如下表。选举并行耗时最短。

结合任务数据集分析下结果，数据集相关信息如下表。排序学习用的数据集样本量偏少，特征偏多，所以特征并行耗时会比数据并行少很多；而点击率预测用的数据集样本数量多，特征偏少，所以数据并行耗时比特征并行耗时少很多。选举并行不讲武德，两个任务耗时都最短，而且速度接近线性增长。

LightGBM 在梯度提升这块儿，使用的方法和 XGBoost 一致，也是带正则项的二阶泰勒展开求解方式。并且在融合新模型的时候也采取了缩减（shrinkage）技巧。整体来看，LightGBM 的改进体现在速度更快、内存占用更低这两方面，是一个很有潜力的算法，对于后续工作有很大的借鉴意义。

参考

【1】https://zhuanlan.zhihu.com/p/366952043
【2】梯度提升决策树(GBDT)并行学习算法研究，柯国霖 https://d.wanfangdata.com.cn/thesis/Y3025839
【3】A Communication-Efficient Parallel Algorithm for Decision Tree https://papers.nips.cc/paper/2016/file/10a5ab2db37feedfdeaab192ead4ac0e-Paper.pdf
【4】LightGBM: A Highly Efficient Gradient Boosting Decision Tree https://papers.nips.cc/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf