GBDT原理及实现（XGBoost+LightGBM）

GBDT原理及实现（XGBoost+LightGBM）

一、准备知识

---

1.1 泰勒展开

1.1.1 基本定理

  函数 $f(x)$ 在点 $x_0$ 的邻域内从1到$n+1$阶可导，则$f(x)$可展开为：
$$\begin{gathered} f(x)=f(x_0)+f^{\prime }(x_0)(x-x_0)+\frac{1}{2!}{f}^{\prime \prime }(x_0)(x-x_0{)}^2+\cdots \\ +\frac{1}{n!}{f}^{(n)}(x_0)(x-x_0{)}^n+\frac{1}{(n+1)!}{f}^{(n)}(\xi )(x-x_0{)}^{(n+1)} \end{gathered}$$
  也可以简写成如下形式：
$$f(x)=\sum _{n=0}^{\infty }\frac{1}{n!}f(x_0)(x-x_0{)}^n$$
1.1.2 常用展开

  设 $x_1=x_0+\Delta x$，则有一阶和二阶两种常用展开，前者只用到一阶倒数，后者还要求函数 $f$ 二阶可导。

1. 一阶泰勒展开
   $$f(x_1)\approx f(x_0)+f^{\prime }(x_0)\Delta x$$
2. 二阶泰勒展开
   $$f(x_1)\approx f(x_0)+f^{\prime }(x_0)\Delta x+\frac{1}{2}{f}^{\prime \prime }(x_0)\Delta x^2$$

举个例子，在迭代算法中，往往有 $x_{t+1}=x_t+v$，将 $f(x_{t+1})$ 在 $x_t$ 附近展开（一阶）：
$$f(x_{t+1})=f(x_t+v)\approx f(x_t)+f^{\prime }(x_t)\cdot v$$

1.1.3 小知识：如何用泰勒展开解释 “为什么负梯度是下降最快的方向？”

假设当前点是 $x$，我们想要找到使得 $f(x)$ 下降最快的方向，即找到：
$$\arg \underset{v}{\max }f(x)-f(x+v)$$
将 $f(x+v)$ 在 $x$ 附近展开得到：
$$\begin{gathered} f(x+v)=f(x)+g_t\cdot v \\ f(x)-f(x+v)=(-g_t)\cdot v \end{gathered}$$
等式右边是两个向量做乘法，他们在平行的时候，点积最大，因此 $v=-g_t$ 是下降最快的方向。

---

1.2 梯度下降法

1.2.1 基本介绍

  梯度下降法，或最速下降法，属于利用一阶导数的无约束目标最优化方法。基本思想是，在每一次迭代中，使用负梯度方向为搜索（更新）方向。
  GBDT是利用梯度下降法进行优化的，它在每一次迭代拟合当前模型的负梯度。

• 算法
  假设无约束最优化问题是：
  $$\underset{x}{\min }f(x)$$
  则在每一次迭代以当前 $x^{(t)}$ 的负梯度为搜索方向，${\lambda }_t$ 为步长更新 $x^{(t)}$：
  $$x^{(t+1)}=x^{(t)}-{\lambda }_t\cdot f^{\prime }(x^{(t)})$$
  其中步长 ${\lambda }_t$ 可以通过一维搜索确定：
  $${\lambda }_t=arg\underset{\lambda }{\min }f(x^{(t+1)})$$

---

1.3 牛顿法

1.3.1 基本介绍

  牛顿法属于利用一阶导数和二阶导数的无约束目标最优化方法。基本思想是，在每一次迭代中，以牛顿方向（一阶与二阶之比取负）为搜索方向进行更新。牛顿法对目标的可导性更严格，要求二阶可导，有Hesse矩阵求逆计算复杂的缺点。
  XGBoost是利用牛顿法进行优化的。
  关于牛顿法和拟牛顿法的详细介绍可以看这里。

1.3.2基本原理

  假设无约束最优化问题是
$$\underset{x}{\min }f(x)$$
  对于一维 $x$ （标量），将 $f(x)$ 在当前迭代点 $x^{(t)}$ 附近用二阶泰勒展开：
$$f(x^{(t+1)})=f(x^{(t)})+f^{\prime }(x^{(t)})\Delta x+\frac{1}{2}{f}^{\prime \prime }(x^{(t)})\Delta x^2$$
  用泰勒展开的极值点近似$f(x)$的极值点：
$$\frac{\partial f(x^{(t+1)})}{\partial \Delta x}=f^{\prime }(x^{(t)})+f^{\prime \prime }(x^{(t)})\Delta x=0$$
  因此：
$$\Delta x=x^{(t+1)}-x^{(t)}=-\frac{f^{\prime }(x^{(t)})}{f^{\prime \prime }(x^{(t)})}$$
  于是得到迭代公式，$g_t$ 和 $h_t$ 分别是目标的一阶和二阶导在 $x^{(t)}$ 上的取值
$$x^{(t+1)}=x^{(t)}-\frac{g_t}{h_t}$$
  推广到 $x$ 是多维向量的情况，设 $H$ 是Hesse矩阵
$$x^{(t+1)}=x^{(t)}-H_t^{-1}{g}_t$$
  可见每一次迭代都需要计算矩阵的逆。

• 算法
  每一次迭代时，计算Hesse矩阵和一阶导数$g$
  $$H(x)=\left[\frac{{\partial }^{2}f}{\partial x_i\partial x_j}\right]$$
  利用上面的迭代公式进行更新。

---

1.4 CART树

  CART（classification and regression tree）树是决策树的一种，既可以实现分类也可以实现回归，正是它命名的由来。它规定树的结构是二叉树，每个结点上的分叉条件形似 “$ID=s$ ?” 或者 “$A<a$ ?”。特征选择策略为，分类树 采用基尼指数最小化准则，回归树 采用平方误差最小化准则。

1.4.1 CART回归树

  CART回归树的构建是一个递归的过程。CART回归树的每个结点（包括中间结点和根）都有一个输出，他等于结点中所有样本的输出平均值。对于一棵训练好的CART回归树，总能将待测样本分到某个叶子结点上，模型关于该样本的输出，正是该叶子结点输出的权值。

A. 单元最优输出

  CART回归树总是对应着输入特征空间的一个划分，以及在划分的单元上的输出。假设CART将输入空间划分为 $M$ 个单元$R_m$（对应于$M$个叶子结点），各单元的输出为$c_m$，则CART模型可以表示为：
$$f(x)=\sum _{m=1}^M{c}_{m}I(x\in R_m)$$
以最小化平方误差 ${\sum }_{x_i\in R_m}(y_i-f(x_i){)}^2$ 为目标，容易看出，单元$R_m$（叶子结点$m$）上的输出权值 $c_m$ 的最优值应是 $R_m$ 上的样本的输出（指$y_i$）的均值：
$$c_m^{\ast }=avg(y_i|x_i\in R_m)$$

B. 分裂策略

  为了求各单元最优输出，首先要确定如何划分（分裂）。CART回归树以最小化平方误差为分裂依据。对每个特征 $x^{(j)}$，找到一个最优的划分点 $s^{(j)}$ 将样本划分成两部分 $R_1$ 和 $R_2$，然后选取最优划分点最优的特征作为最优特征，相应的划分点作为最优划分点。
$$\underset{j,s}{\min }\left\{\underset{c_1}{\min }\sum _{x_i\in R_1}(y_i-c_1{)}^2+\underset{c_2}{\min }\sum _{x_i\in R_2}(y_i-c_2{)}^2\right\}$$
其中各区域的最佳输出是：
$$\begin{gathered} c_1=avg(y_i|x_i\in R_1) \\ {c}_2=avg(y_i|x_i\in R_2) \end{gathered}$$
从目标上看，该策略不断尝试将当前结点的样本根据某个特征的取值分成两部分，选取拟合效果最佳的方案（最佳特征 + 最佳特征的最佳分裂点）。

下面举例说明CART回归树单特征的最佳分裂点选择
   假设有四个样本，一维特征是 $A$，它的取值和对应的label如下。每两个取值之间，都能选为一个分界面（例如0.1和0.2之间选0.15为分界面），列举出三种划分情况，分别计算他们的平方误差。

对于 $D_1$，$c_1=0$，$c_1=(0+1+1)/3=0.67$
$$\begin{gathered} los{s}_1=\sum _{i=1}^1(y_i-c_1{)}^2+\sum _{i=1}^3(y_i-c_2{)}^2 \\ =(0-0{)}^2+(0-0.67{)}^2+(1-0.67{)}^2+(1-0.67{)}^2=0.67 \end{gathered}$$
同理对于 $D_2$、$D_3$计算得到：
$$\begin{gathered} los{s}_2=0 \\ los{s}_3=0.67 \end{gathered}$$
显然$D_2$这个划分（ R 1 = { 0.1 , 0.2 } R_1=\left\{0.1,0.2\right\} R1​={0.1,0.2}， R 2 = { 0.3 , 0.4 } R_2=\left\{0.3,0.4\right\} R2​={0.3,0.4}，最佳分裂点 0.25）是特征 $A$ 的最佳分裂。

C. CART回归树生成步骤

1. 遍历特征$x^{(j)}$，固定特征$x^{(j)}$遍历切分点$s^{(j)}$（一般对样本在$x^{(j)}$排序，然后每两个样本取均值得到），求解：
   $$\underset{j,s}{\min }\left\{\underset{c_1}{\min }\sum _{x_i\in R_1}(y_i-c_1{)}^2+\underset{c_2}{\min }\sum _{x_i\in R_2}(y_i-c_2{)}^2\right\}$$

2. 用选定的最优特征$x^{(j)}$和切分点$s^{(j)}$划分样本空间，计算两个子结点的输出值
   $$R_1=\left\{x|x_i^{(j)}⩽s^{(j)}\right\},R_2=\left\{x|x_i^{(j)}>s^{(j)}\right\}$$
   $$\begin{gathered} {\hat{c}}_1=\frac{1}{|R_1|}\sum _{x_i\in R_1}{y}_i \\ {\hat{c}}_2=\frac{1}{|R_2|}\sum _{x_i\in R_2}{y}_i \end{gathered}$$
   递归对两个子空间进行划分，连续特征可重复选用，直到满足限制或者不能再划分为止。

3. 最终回归树CART
   $$f(x)=\sum _{m=1}^M{\hat{c}}_{m}I(x\in R_m)$$
   来一个待测 $x$，它会经历CART树各层判断，到达某个叶子结点，模型将输出该叶子结点的 ${\hat{c}}_m$。

1.4.2 CART分类树

A. 基尼指数

概率分布的基尼指数【定义】：
$$Gini(p)=\sum _{k=1}^K{p}_k(1-p_k)=1-\sum _k{p}_k^2$$
特别地，对于二分类，概率分布的基尼指数：
$$Gini(p)=2p(1-p)$$
对于数据集$D$，定义基尼指数：
$$Gini(D)=1-\sum _k(\frac{|C_k|}{|D|}{)}^2$$
当数据集$D$按照特征取值 $A=a$ 分为两部分时（$A=a$对应$D_1$，$A̸=a$对应$D_2$）：
$$Gini(D,A)=\frac{|D_1|}{|D|}Gini(D_1)+\frac{|D_2|}{|D|}Gini(D_2)$$
其中特征 $A$ 的每个取值的基尼系数$Gini(D_i)$：
$$Gini(D_i)=1-\sum _k(\frac{|C_{ik}|}{|D_i|}{)}^2$$
$D_i$是特征$A$取值为$a_i$的样本，$C_{ik}$是$D_i$里类别为$k$的样本。

【基尼指数的意义】
个人理解，$Gini(D)$ 描述了集合 $D$ 的不确定性（这点和熵有点像），而 $Gini(D,A)$ 描述了经过 $A=a$ 的判定分割后，集合 $D$ 仍存在的不确定性。

【基尼指数越小越好】

1. 对一个特征 $A$ 而言，用基尼指数小的取值作最优切分点。
   基尼指数在等概分布时最大，若在 $A$ 的每一种取值里，样本取不同类别的概率都相等，则基尼指数大，划分效果差（划分后没有改善不确定性，这点与熵类似）。若在 $A$ 的每一种取值里，样本都属于同类别（例如 $A=a$ 时label全是1， $A̸=a$ 时label全是0 ），基尼指数小，划分效果好（用特征$A$和分裂点$a$划分后已经能直接区分）。
2. 对不同特征 $A_1,A_2,\cdots$ 而言，基尼指数小的特征更优。

B. CART分类树生成步骤

1. 假设分到当前结点的样本集为 $D$ 。遍历特征 $x^{(j)}$，固定特征 $x^{(j)}$ 遍历取值 $s^{(j)}$，按照是否有 $x^{(j)}=s^{(j)}$ 把 $D$ 分成 $D_1$ 和 $D_2$，分别计算每个特征每个取值的基尼系数 $Gini(D_i)$，用来计算特征 $x^{(j)}$ 的基尼系数 $Gini(D,x^{(j)})$。

2. 选择基尼系数 $Gini(D,x^{(j)})$ 最小的特征，以及对应取值 $s^{(j)}$ 作为最优特征和切分点，划分样本 $D$。

3. 递归对每个样本子集进行划分。

---

1.5 Boosting

1.5.1 简介
   Boosting属于集成学习（Ensemble）的一种，是一种将一系列弱学习器提升为一个强学习器的方法，工作机制基本上是每次迭代从训练集训练出一个基学习器，然后根据本次迭代基学习器的性能，调整训练集样本的分布，或者改变拟合的目标，使得后续的基学习器更多地去关注之前的基学习器判断错误的样本。最终，学习器之间的组合采用加法模型，即基函数的加权线性组合。
   常用的Boosting算法包括Adaboost、提升树、gbdt等等。
   Boosting算法要求基学习器能对特定的数据分布进行学习，从偏差-方差（bias-variance）的角度看，Boosting更关注降低偏差，因此Boosting能基于泛化能力很弱的基学习器构造出很强的集成模型。

---

1.6 CSC

1.6.1 Compressed Sparse Column (CSC)
  将矩阵按列存储的稀疏格式。包含四个部分（向量）：

1. data 数据
2. indices 指示数据各列非零元素的位置
3. indprt 用于分割 indices
4. size 表示矩阵大小

1.6.2 具体举例

$$\left[\begin{array}{ccc}1& 0& 0\\ 0& 3& 0\\ 2& 0& 4\end{array}\right]$$

利用CSC得到的压缩矩阵的各组成部分：

1. data = [1,2,3,4]
2. indices = [0,2,1,2]
3. indptr = [0,2,3,4]
4. size = [3,3]

   矩阵的第一列非零元素下标为0和2，第二列为1，第三列为2，因此indices如上。由于indices是向量形式，用indptr将其按列划分，它表示indices第0到第1个元素表示第一列，第2个元素表示第二列，第3个元素表示第三列。从例子似乎看不出稀疏表示的优越性，实际上当各列足够稀疏（例如上万行只有几个非零元素）时才能显出。

---

二、GBDT

2.1 提升树

   提升树以决策树为基函数的Boosting模型（基函数系数可以固定为1）：
$$f(x)=\sum _{m=1}^{M}T(x;{\theta }_m)$$
以下为 提升回归树算法：

1. 初始化 $f_0(x)=0$
2. 进行 $M$ 轮训练。
   每一轮用上一轮的模型为每个样本 $x_i$ 进行预测，和真实结果求残差
   $$\begin{array}{cc}{r}_{mi}=y_i-f_{m-1}(x_i),& i=1,2,\cdots ,N\end{array}$$
   以拟合残差为目标训练一棵树，得到 $T(x;{\theta }_m)$，并更新模型
   $$f_m(x)=f_{m-1}(x)+T(x;{\theta }_m)$$
3. 用最后一个模型作为最终模型
   $$f(x)=f_M(x)=\sum _{i}T(x;{\theta }_m)$$

下面用一个只有一维特征的例子举例说明如何训练 提升回归树
| $x_i$ | 1 | 2 | 3 | 4 | 5 | 6 |
| – |:–?:–?:–?:–?:–?
|$y_i$ | 10 | 20 | 30 | 40 | 50 | 60 |
原表正是第一轮要拟合的目标，利用 CART 回归树的分裂方法计算每个分裂点下的均方误差：

$s$	1.5	2.5	3.5	4.5	5.5
$MSE(s)$	1000	550	400	550	1000

所以本轮选择 3.5 作为分裂点，第一轮的树表示为：
$$f_1(x)=T_1(x)=\{\begin{array}{cc}20,& x⩽3.5\\ 50,& x>3.5\end{array}$$
计算本轮残差，作为下一轮要拟合的目标
| $x_i$ | 1 | 2 | 3 | 4 | 5 | 6 |
| – |:–?:–?:–?:–?:–?
|$y_i$ | -10 | 0 | 10 | -10 | 0 | 10 |
与第一轮类似地，计算每个分裂点下的均方误差：

$s$	1.5	2.5	3.5	4.5	5.5
$MSE(s)$	280	325	400	325	280

所以第二轮选择 1.5 作为分裂点，并与第一轮综合起来
$$T_2(x)=\{\begin{array}{cc}-10,& x⩽1.5\\ 2,& x>1.5\end{array}$$
$$f_2(x)=T_1(x)+T_2(x)=\{\begin{array}{cc}20-10=10,& x⩽1.5\\ 20+2=22,& 1.5<x⩽3.5\\ 50+2=52,& x>3.5\end{array}$$
计算本轮残差，作为下一轮要拟合的目标
| $x_i$ | 1 | 2 | 3 | 4 | 5 | 6 |
| – |:–?:–?:–?:–?:–?
|$y_i$ | 0 | -2 | 8 | -12 | 2 | 8 |
经过这一轮，可以看到 $x_1$ 和 $x_2$ 的残差其实已经很小了，如此继续下去迭代若干次得到的叠加模型，就是最终的提升树模型。

2.2 梯度提升树GBDT

   当损失函数是平方损失时，每一轮计算残差是简单的，对于一般的损失函数可能不是那么友好（比如Huber损失），Freidman大神提出梯度提升树算法，用损失函数关于上一轮模型输出的负梯度近似残差，每一轮去拟合这个残差。其他方面与普通的提升树无异。
$$r_{mi}=-{\left[\frac{\partial l(y_i,f(x_i))}{\partial f(x_i)}\right]}_{f(x)=f_{m-1}(x)}$$

小问题1：为什么GBDT要拟合负梯度呢？

   负梯度是loss下降最快的方向，每一个基函数去拟合负梯度，最终的叠加也是loss下降最快的方向。普通的提升树之所以拟合残差，实际上是因为它使用平方误差，其梯度正式残差，因此可以将残差理解为负梯度在loss函数使用平方误差时的特例。使用负梯度作为拟合目标的好处在于，能更快地收敛，以及更具有普适性，即适用于更多的loss形式，而不拘泥与平方误差。

小问题2：GBDT与RF各有什么优缺点？

首先是树模型所具备的一些共有的优点

• 实现比较简单
• 能训练高维数据
• 对稀疏特征比较友好，即使有缺失值也能进行学习
• 能进行特征筛选（通过给出特征重要性）

GBDT的优点

• 即使每一棵树泛化能力极差，最终组合的模型也能很强
• 每一轮拟合负梯度，收敛快

GBDT的缺点

• 基函数之间有串行依赖关系，无法做树维度的并行
• 容易过拟合（没有正则，没有子采样，只有剪枝）

RF的优点

• 有特征子采样，有利于降低过拟合
• 基函数之间没有依赖关系，容易做并行

RF的缺点

• 可能有很多相同或者相似度很高的重复基函数

---

2.3 XGBoost

2.3.1 模型形式

回归树
   回归树的每个叶子结点都有其对应的分数（score）$w_j$，在回归问题中，$w_j$直接作为预测结果输出，在分类任务中则用sigmoid转换为概率。样本$x$经过回归树必被分到某个叶子上，该叶子的输出$w_j$即回归树的输出。
因此，若定义$q(x)$为取叶结点下标函数，则回归树可以表示为：
$$f_k(x_i)=w_{q(x_i)}$$
另外，定义集合 I j = { i ∣ q ( x i ) = j } I_j=\left \{ i|q(x_i)=j\right \} Ij​={i∣q(xi​)=j} 表示被$f_k$划分到第$j$个叶结点上的样本的下标集。

XGBoost定义的树模型
   给定数据集 D = { ( x 1 , y 1 ) , ⋯ &ThinSpace; , ( x n , y n ) } D=\left\{(x_1,y_1),\cdots,(x_n,y_n)\right\} D={(x1​,y1​),⋯,(xn​,yn​)}，XGBoost定义模型为$K$棵回归树的加法模型：
$${\hat{y}}_i=f(x_i)=\sum _{k=1}^K{\alpha }_k{f}_k(x_i)$$

2.3.2 目标函数

XGBoost的目标函数
   XGBoost将目标定义为目标损失与正则项之和，$l$是衡量样本总体的拟合情况的损失函数，$\Omega$衡量树的复杂度
$$\begin{gathered} Obj(\theta )=L(\theta )+\Omega (\theta ) \\ =\sum _{i=1}^{n}l(y_i,{\hat{y}}_i)+\sum _{k=1}^K\Omega (f_k) \end{gathered}$$
其中损失函数可以是均方差或逻辑loss
$$l(y_i,{\hat{y}}_i)=\frac{1}{2}l(y_i-{\hat{y}}_i{)}^2$$
$$l(y_i,{\hat{y}}_i)=y_i\log (1+e^{-{\hat{y}}_i})+(1-y_i)\log (1+e^{{\hat{y}}_i})$$
正则项可以是L1正则（LASSO）或L2正则（岭回归）

正则项
   从目标函数可以看出，XGBoost对每棵树都进行了约束，具体地，若树$f_k$有$T$个叶结点，正则项包括对叶子个数的约束和叶子权值的L2范数。
$$\Omega (f_k)=\gamma T+\frac{1}{2}\lambda \sum _{j=1}^T{w}_j^2$$
引入叶子节点个数的惩罚，等效于在回归树的生成过程中进行预剪枝。

剖析目标函数
   XGBoost本质上是Tree Boosting，是一个迭代的过程，在第$t$轮迭代，模型将累加上第$t$棵树的预测：
$${\hat{y}}_i^{(t)}={\hat{y}}_i^{(t-1)}+f_t(x_i)$$
此时本轮的目标函数是下式，除了$f_t$以外的正则项可看作常数
$$Ob{j}^{(t)}=\sum _{i=1}^{n}l(y_i,{\hat{y}}_i^{(t)})+\Omega (f_t)+\sum _{k̸=t}\Omega (f_k)$$
为了更方便地计算，将$l$在${\hat{y}}_i^{(t-1)}$附近进行二阶泰勒展开（把$f_t(x_i)$看成$\Delta x$）
$$\begin{gathered} l(y_i,{\hat{y}}_i^{(t)})=l(y_i,{\hat{y}}_i^{(t-1)}+f_t(x_i)) \\ \approx l(y_i,{\hat{y}}_i^{(t-1)})+g_i{f}_t(x_i)+\frac{1}{2}{h}_i{f}_t^2(x_i) \end{gathered}$$
其中$g_i$和$h_i$分别为一阶和二阶导数在上一次预测值处的取值，它们的计算取决于loss函数的选择，以均方误差$\frac{1}{2}(y_i-{\hat{y}}_i{)}^2$为例
$$\{\begin{array}{cc}{g}_i=\frac{\partial l(y_i,{\hat{y}}_i)}{\partial {\hat{y}}_i}{|}_{{\hat{y}}_i={\hat{y}}_i^{(t-1)}}& ={\hat{y}}_i^{(t-1)}-y_i\\ h_i=\frac{{\partial }^{2}l(y_i,{\hat{y}}_i)}{\partial {\hat{y}}_i^2}{|}_{{\hat{y}}_i={\hat{y}}_i^{(t-1)}}& =1\end{array}$$
于是本轮目标进一步写成下式（省略常数项，包括$l(y_i,{\hat{y}}_i^{(t-1)}）$也是确定的.）
$$\begin{gathered} Ob{j}^{(t)}=\sum _{i=1}^n\left[g_i{f}_t(x_i)+\frac{1}{2}{h}_i{f}_t^2(x_i)\right]+\Omega (f_t) \\ =\sum _{i=1}^n\left[g_i{f}_t(x_i)+\frac{1}{2}{h}_i{f}_t^2(x_i)\right]+\gamma T+\frac{1}{2}\lambda \sum _{j=1}^T{w}_j^2 \end{gathered}$$
为了将两部分求和项结合起来，考虑将样本按照树$f_t$的叶结点划分，目标可写成关于$w_j$的凸二次函数
$$Ob{j}^{(t)}=\sum _{j=1}^T\left[\left(\sum _{i\in I_j}{g}_i\right)w_j+\frac{1}{2}\left(\sum _{i\in I_j}{h}_i+\lambda \right)w_j^2\right]+\gamma T$$
因此对于$f_t$的每一个叶子$j$，目标在$w^{\ast }=-\frac{G_j}{H_j+\lambda }$处取得最小值：
$$Ob{j}^{(t)\ast }=-\frac{1}{2}\sum _{j=1}^T\frac{G_j^2}{H_j+\lambda }+\gamma T$$

2.3.3 回归树学习

回归树的学习（生成）策略
   上文推导出，已知树$f_t$结构时，各叶子结点上的输出如何取值可使得本轮的优化效果最佳。于是问题转换为如何获得最佳的$f_t$结构，显然枚举所有树结构找出最优是不可能的，它是NP难问题。

贪婪构造法
   贪婪构造的基本思想是，从根结点开始，尝试分裂结点，计算分裂前后的增益以判断是否分裂。这是一种贪心算法。
   对任意结点进行分裂造成的$Obj$减少量为下式，增益越大，分裂后为目标带来的优化越好，当然这个增益有可能为负
$$Gain=\frac{1}{2}\left[\frac{G_L^2}{H_L+\lambda }+\frac{G_R^2}{H_R+\lambda }-\frac{(G_L+G_R{)}^2}{H_L+H_R+\lambda }\right]-\gamma$$
   基于增益最大化的贪心树节点分裂方法（Split Searching）如下，近似法能减少计算复杂度，加快速度。

1. 精确法
   遍历所有特征及其候选分裂点，找出使得增益最大的最佳特征与最佳分裂点。具体地，将样本按照当前特征上的取值排序，遍历样本同时改变$G_L$，$G_R$，$H_L$，$H_R$的值。

2. 近似法
   基本思路同上，但对于每个特征，只考虑分位点，减少计算复杂度。近似法可以有两种做法，其一是在训练整棵树前，提前为每个特征选择分位点，其二是在每个结点的分裂时，重新提出每个特征的候选切分点。

近似法中分位点的选取（Weighted Quantile Sketch）
   XGBoost以二阶导数$h_i$作为每个样本的权重，选择分位数作为候选分裂点。原因是目标可以整理成如下形式，可看出$h_i$对于目标的加权作用。
$$Obj=\sum _{i=1}^n{h}_i(f_t(x_i)-\frac{gi}{hi}{)}^2+\Omega (f_t)+C$$

例如样本按照特征$x^{(j)}$上的取值进行了排序，它们的$h_i$如下，选取三分位点：
$$\begin{array}{ccccccccc}{x}^{(j)}:& x_1& x_2& x_3& |& x_4& x_5& |& x_6\\ h_i:& 0.1& 0.1& 0.1& |& 0.15& 0.15& |& 0.3\end{array}$$
因此选出$(x_3+x_4)/2$和$(x_5+x_6)/2$作为候补分裂点。

稀疏值特征处理
   XGBoost中定义的稀疏，指类似one-hot的操作使得某些特征大量取值为0，或者因为样本在该特征上没有取值而用0取代。 XGBoost的做法是为有缺失值的特征学习一个默认的分裂方向。
   具体地，对于每个包含缺失值的特征，认为缺失特征的样本在本特征取值相同，并且只关注该特征有取值的样本，分别模拟特征值缺失的样本被分到左右两个子结点的情况，用增益来衡量分裂的优劣。

####2.3.4 XGBoost系统设计
Column Block 存储与并行化
   回归树生成最耗时的是结点分裂过程中对每个特征的排序操作。XGBoost的并行化并不是tree粒度的，而是特征粒度的，树之间仍然是串行依赖关系。

1. 预排序与预存储
   训练前，预先将样本按特征进行排序，以CSC的形式存入内存，各列是排序后的样本索引，且只存储非缺失样本。每次分裂时根据索引直接获得梯度。
2. 并行化
   特征之间各自计算互不影响，令各Block存储一到多个特征，即可实现并行化。

Cache-Aware Acess
   XGBoost按照特征排序存储样本的索引，造成访问对应样本梯度时，内存的不连续访问，使速度变慢。为了解决这个问题：

1. 对于精确法，预先把梯度按排序读取到一个buff中，使不连续变为连续访问。
2. 对于近似法，调整block的大小（存储于block的样本量）

####2.3.5 其他特性

行采样 对样本采样。
列采样 对特征采样，参考随机森林。不再遍历所有特征，而是选择性地抽取一些候补特征进行遍历。
Shrinkage 即学习率缩减。每一轮学习到的树，再加入模型前要乘以一个系数，表示不完全相信。越到后面，对新树的信任度越小。

####2.3.6 一些常见问题的回答
【与传统GBDT相比，XGBoost有何不同】

1. 基函数不同。GBDT只用CART树，XGBoost除了CART，也支持线性函数。

2. 目标不同。具体体现在结点分裂策略与正则化。GBDT和XGBoost都是根据目标增益分裂结点，GBDT根据均方误差（回归）或基尼指数（分类），XGBoost则进一步引入正则项。

3. 正则化不同。XGBoost定义正则化，包含了对叶子结点数的约束，以及叶子输出权值的L2范数，有利于防止过拟合。

4. 利用导数阶数不同。GBDT只利用一阶导数，XGBoost利用一阶和二阶导数。这要求loss函数二阶可导，同时XGBoost支持自定义loss。用二阶导数的原因是可以加快收敛。

5. 最佳特征选取策略不同。GBDT遍历所有特征，XGBoost引入类似于RandomForest的列（特征）子采样，有利于防止过拟合与加速运算。

6. 候选分裂点选取策略不同。GBDT遍历特征的所有取值，XGBoost有两种做法，其一是遍历，其二是根据二阶导数选择样本分位点作为候补，类似于直方图算法。

7. Boosted模型构成不同。GBDT与XGBoost都是多棵回归树的加法模型，但XGBoost为每棵树设定了系数，表示不完全信任，有利于防止过拟合。

8. XGBoost引入了列采样，传统GBDT没有。

【XGBoost为什么那么快？】

1. 预排序实现特征粒度的并行。

2. 近似法避免遍历所有分裂点，只尝试分位点。

3. 后来实现了类似于LightGBM的直方图算法，进一步加速。

【 XGBoost是怎么防止过拟合的？】

1. 控制模型复杂度：正则化（L1和L2正则化），max_depth限制树的深度、min_child_weight和gamma参数限制进一步分裂。

2. 给模型增加随机性：行列采样、学习率shrinkage。

【XGBoost怎么处理类别不均？】

1. 若只关注预测的排序表现，可以用AUC作metric，然后用scale_pos_weight调整正负样本权重（负样本/正样本）

2. 若关注预测概率的准确性，最好改变权重，可以改变max_delta_step（调成正数）来加速收敛。

【XGBoost如何进行切分点选择？】
贪心算法，具体地分为精确法和近似法，前者遍历特征的每一个取值，后者只按照二阶导数选取分位点进行切分。XGBoost后来也有直方图算法，应该比近似法要快一点。

【XGBoost构建树的时候是level-wise还是leaf-wise？】
贪心算法默认是level-wise，逐层分裂。若选用直方图算法，可以通过grow_policy选择depthwise或lossguide，前者优先分裂距离根最近叶子，实际上近似于level-wise，后者优先分裂loss减少量最多的结点，有点深度优先的味道，和lightgbm比较相似。

【 XGBoost有没有直方图算法？】
有，它的直方图算法也是将连续特征离散化。

【XGBoost怎么实现多分类？】
对于K分类，每一轮迭代训练K棵树，用softmax代入各树的输出以表示样本属于各类的概率。

【XGBoost怎么处理ID类特征？】
XGBoost并不直接支持ID类，如果输入ID类是数值型，会直接被当成具有大小关系的数值特征处理。

---

2.4 LightGBM

   传统GBDT算法没有实现data fraction，每次分裂结点都需要对每个特征遍历整个数据集（遍历指测试分裂点而不是计算增益）。
   XGBoost采用近似法，通过Global近似法预先选出分位点，避免多次遍历测试，但实际上并没有改变测试分裂点时的计算量，仍然要计算所有样本的梯度和，此外pre-sorted需要将整个数据集预读入内存，这限制了数据集的大小，若采用外存方法，频繁的IO操作会降低速度。
   LightGBM提出了两个算法进一步加速GBDT，首先GOSS用于减少每次结点分裂参与训练的样本数量，其次EFB用于合并相互独立的特征从而达到降维的效果。两个算法均能在保证正确率基本不变的前提下，大幅提高计算速度。

2.4.1 GOSS (Gradient-Based One Side Sampling)

梯度决定重要性
   GOSS的基本思想是，小梯度样本对目标的贡献小，大梯度样本对目标的贡献大。扔掉全部小梯度样本的做法不可取，但可以进行随机抽样。

算法
假设当前要分裂的结点上的样本为 $I$
设定两个比例：$a$为大梯度样本抽样比，$b$为小梯度样本抽样比
在每一轮分裂时对样本抽样：

1. 按样本梯度的绝对值从大到小排列
2. 取出前$a|I|$个样本（大梯度），加上从剩下样本中随机抽取$b|I|$个样本（小梯度），构成训练集
3. 大梯度样本赋予权值1，小梯度样本赋予权值$\frac{1-a}{b}$，权值将在计算增益时乘到样本的梯度上

效果
   理论上，若样本数量足够大，GOSS方法的泛化误差将与使用全部样本时接近。从算法的第2步看出，若$a$和$b$取值都较小，则每次分裂参与计算的样本都将远少于整个数据集，从而达到加速作用。

####2.4.2 EFB (Exclusive Feature Bundling)
特征独立性
   EFB的思想是，将相互独立的特征捆绑在一起，称为exclusive bundle，从而减少特征个数。

1. 独立性：如果两个特征从不同时 非0，则称他们独立（exclusive）
2. 近似独立性：如果两个特征几乎不同时 非0，则称他们近似独立

特征捆绑算法
   本算法的目的是决定将哪些特征捆绑在一起，EFB将特征捆绑问题转化为图着色问题。特征是无向图的顶点，特征之间若不相互独立，则存在边。
   若允许近似独立性，可认为任意两个特征之间存在带权边，边上的权值等于特征之间冲突的个数（不同时取0的样本数），显然若两个特征从不同时取0，冲突（权值）会很大，即权值可看作顶点之间的距离，冲突大的两个特征之间原本是不应该有边的。（论文中给出的EFB算法与论文描述的不符，感觉有问题，此处留作以后细看代码后再做补充解释）。

####2.4.3 直方图算法
目前仍没有看懂，以后follow源代码。

2.4.4 对一些问题的解答

【LightGBM为什么快？】

1. 采用直方图算法，在计算切分点增益时，只需按直方图bin划分并计算增益，时间复杂度是O(bin)，XGBoost的预排序（默认精确法）虽然不需要每次都重新排序，但需要对每个样本切分位置计算，复杂度O(data)。另外，虽然一开始LightGBM构造直方图也需要O(data)的时间，但XGBoost精确法预排序一般也要O(NlogN)，所以还是LightGBM快。不过XGBoost支持近似法，复杂度是O(分位点)，另外也支持直方图算法，因此应该不比LightGBM慢。
2. 直方图减法。LightGBM在根节点使用预生成的直方图，然后每次结点分裂时，只计算样本少的儿子的直方图，然后另一个儿子用父节点直方图减去算好的直方图即可。因此每次分裂的效率更高。实际上XGBoost也可以采用这个方式，不知道为什么不做。
3. GOSS。只保留二阶梯度大的样本，对梯度小的样本随机采样，于是每次参与计算的样本很少。但是这个模式是可选的，默认还是gbdt，也就是说默认仍是选取所有样本参与训练的。

【LightGBM为什么节省内存？】
LightGBM只保存离散的直方图，没有XGBoost的预排序操作。

【 LightGBM的树生长策略是level-wise还是leaf-wise？】
leaf-wise，总是选择当前loss下降最多的叶子结点进行分裂，以使整体模型下降地更多，更快收敛。但容易造成过拟合，通常需要调整max_depth来防止。XGBoost目前既支持level-wise（默认）又支持leaf-wise（hist）。

【LightGBM如何处理ID类特征？】
LightGBM支持ID类直接作为输入，结点分裂的时候仍然是利用直方图算法测试分裂点，用于计算增益的仍然是直方图各个bin中的二阶梯度和，实际上就是将ID类作为数值类处理，但特征值没有参与运算。

2.4.5 XGBoost vs LightGBM

【区别】

1. 树的切分策略不同
   XGBoost是level-wise，LightGBM是leaf-wise

2. 加速（实现并行）的方式不同
   XGBoost是通过预排序方式，LightGBM主要是通过直方图相关的算法

3. 对Categorical Feature的支持不同
   XGBoost不支持类别特征输入。LightGBM支持输入类别特征，对类别特征不需要OneHot。

4. 特征并行不同
   XGBoost多机器并行时各机器只保留不同的特征子集，分别找到局部最优分裂点，后互相通信来找到全局最优，然后切分并传递切分结果。LightGBM每个机器保存完整数据集，无需相互传输切分结果。

5. lgbm引入了DART选项
   DART可以理解为带有dropout的GBDT，没有做过多的了解。

---

三、参考文献与相关链接

【书籍】《统计学习方法》李航
【书籍】《机器学习》周志华
【书籍】《最优化计算方法》蒋金山
【书籍】《工科数学分析》
【API】Xgboost
【API】Xgboost参数
【PPT】Xgboost Slides
【博客】Xgboost Slides中文讲解
【论文】Xgboost原论文 XGBoost: A Scalable Tree Boosting System
【论文】DART论文 DART: Dropouts meet Multiple Additive Regression Trees
Wepon-XGBoost深入浅出
【博客】Wepon-GBDT算法原理与系统设计简介
【博客】GBDT详解-火光摇曳
【论文】LightGBM原论文 LightGBM-A Highly Efficient Gradient Boosting Decision Tree
【API】LightGBM官方文档——特性
【博客】GBDT：梯度提升决策树
【博客】GBDT原理小结