三大集成学习之万金油 - Catboost

---

Catboost简介

Catboost顾名思义，将其拆分为两大块：

• Cat：Categorical Features(类别型特征)
• boost：Gradient Boosting(梯度提升)

其创作者就是就是著有俄罗斯谷歌之称的Yandex公司。
顺便贴一下官方的文档，方便大家去查阅：Catboost

---

Catboost的特点

一般来说，Gradient Boosting(GB)方法适用于异质化数据。也就是说如果你的数据集全由图片数据构成或者全由视频数据构成之类的，我们称其为同质化数据，这时使用神经网络往往会有更好的表现。但对于异质化数据，比如说数据集中有numerical data（数值型变量），categorical data（类别型变量）也有text data（文本变量）等等的情况，GB方法的表现往往更好。GB方法比神经网络的入门门槛更低，使用起来也更简单。

NN和GB方法可以结合起来使用，并常常有很好的表现。我们可以使用NN方法学习embedding feature，并且和其他一些特征结合起来，再过GBDT。

Catboost具有一些和其他类似的库不同的特征：

一、处理类别型变量

基于statistical（统计学）的转换

对于可取值的数量比独热最大量还要大的分类变量，CatBoost 使用了一个非常有效的编码方法，这种方法和均值编码类似，但可以降低过拟合情况。它的具体实现方法如下：

• 将输入样本集随机排序，并生成多组随机排列的情况。
• 将标签值的浮点型标记转化为整数。
• 将所有的分类特征值结果都根据以下公式，转化为数值结果
  $$ct{r}_i=\frac{countInClass+prior}{totalCount+1}$$
• $countInClass$：表示对于类别$i$在所有样本的出现$label=1$的个数（计算的数据需要经过shuffle处理）
• $totalCount$：表示所有类别$i$的样本数
• $prior$：作为一个常量，初始化分子的值

聪明的小伙伴已经发现这个就是计算类别特征里面每个类别出现正样本的概率，将这个概率值作为不同类别的编码值。这样就可以将 categorical feature 转换成 numerical feature 特征，但是这一策略有个前提就是在训练之前需要打乱数据集，防止在统计时发生偏移。

特征组合

Catboost考虑使用categorical features的不同组合。例如$Featur{e}_A$和$Featur{e}_B$组合起来，可以构成类似于“中年男人”这样的feature（年龄+性别）。当需要组合的categorical features变多时，这个组合复杂度是指数级的，特征维度一定会爆炸，所以catboost只考虑一部分combinations。在选择第一个节点时，只考虑选择一个feature，例如$Featur{e}_A$。在生成第二个节点时，考虑$Featur{e}_A$和任意一个categorical feature的组合，选择其中最好的。就这样使用贪心算法生成combinations。

简单encoding

对于一些维度很小的特征，会采用 one-hot 进行处理。

二、克服梯度偏差

catboost和其他算法计算leaf-value的方法不同。传统的boosting使用平均数，但这个估计是有偏的，会导致过拟合。

对于CatBoost，和所有标准梯度提升算法一样，都是通过构建新树来拟合当前模型的梯度。然而，所有经典的提升算法都存在由有偏的点态梯度估计引起的过拟合问题。许多利用GBDT技术的算法（例如，XGBoost、LightGBM），构建一棵树分为两个阶段：选择树结构和在树结构固定后计算叶子节点的值。为了选择最佳的树结构，算法通过枚举不同的分割，用这些分割构建树，对得到的叶子节点中计算值，然后对得到的树计算评分，最后选择最佳的分割。两个阶段叶子节点的值都是被当做梯度[8]或牛顿步长的近似值来计算。CatBoost第一阶段采用梯度步长的无偏估计，第二阶段使用传统的GBDT方案执行。

三、快速评分

Catboost使用对称树。XGboost一层一层地建立节点，lightGBM一个一个地建立节点，而Catboost总是使用完全二叉树。它的节点是镜像的。Catboost称对称树有利于避免overfit，增加可靠性，并且能大大加速预测等等。

CatBoost使用oblivious树作为基本预测器，这种树是平衡的，不太容易过拟合。oblivious树中，每个叶子节点的索引可以被编码为长度等于树深度的二进制向量。CatBoost首先将所有浮点特征、统计信息和独热编码特征进行二值化，然后使用二进制特征来计算模型预测值。

基于GPU的快速学习推理

• 密集的数值特征
  　　任何GBDT算法，对于密集的数值特征数据集来说，搜索最佳分割是建立决策树时的主要计算负担。CatBoost利用oblivious决策树作为基础模型，并将特征离散化到固定数量的箱子中以减少内存使用。就GPU内存使用而言，CatBoost至少与LightGBM一样有效。主要改进之处就是利用了一种不依赖于原子操作的直方图计算方法。

• 类别型特征
  　　CatBoost使用完美哈希来存储类别特征的值，以减少内存使用。由于GPU内存的限制，在CPU RAM中存储按位压缩的完美哈希，以及要求的数据流、重叠计算和内存等操作。通过哈希来分组观察。在每个组中，我们需要计算一些统计量的前缀和。该统计量的计算使用分段扫描GPU图元实现。

• 多GPU支持
  　　CatBoost中的GPU实现可支持多个GPU。分布式树学习可以通过数据或特征进行并行化。CatBoost采用多个学习数据集排列的计算方案，在训练期间计算分类特征的统计数据。

Catboost & LightGBM & XGBoost 的对比

CTB,LGB,XGB算法在同一数据集的表现

数据集:
在这里，我使用了 2015 年航班延误的 Kaggle 数据集，其中同时包含分类变量和数值变量。这个数据集中一共有约 500 万条记录，因此很适合用来同时评估比较三种 boosting 算法的训练速度和准确度。我使用了 1% 的数据：5 万行记录。

以下是建模使用的特征：
月、日、星期：整型数据
航线或航班号：整型数据
出发、到达机场：数值数据
出发时间：浮点数据
到达延误情况：这个特征作为预测目标，并转为二值变量：航班是否延误超过 10 分钟
距离和飞行时间：浮点数据

简单数据预处理

import pandas as pd, numpy as np, time
from sklearn.model_selection import train_test_split
 
data = pd.read_csv("flight-delays/flights.csv")
data = data.sample(frac = 0.1, random_state=10)#500->50
 
data = data.sample(frac = 0.1, random_state=10)#50->5
 
data.shape#(58191, 31)
 
data = data[["MONTH","DAY","DAY_OF_WEEK","AIRLINE","FLIGHT_NUMBER","DESTINATION_AIRPORT",
                 "ORIGIN_AIRPORT","AIR_TIME", "DEPARTURE_TIME","DISTANCE","ARRIVAL_DELAY"]]
data.dropna(inplace=True)
 
data["ARRIVAL_DELAY"] = (data["ARRIVAL_DELAY"]>10)*1
#data.head()
 
cols = ["AIRLINE","FLIGHT_NUMBER","DESTINATION_AIRPORT","ORIGIN_AIRPORT"]
for item in cols:
    data[item] = data[item].astype("category").cat.codes +1
 
train, test, y_train, y_test = train_test_split(data.drop(["ARRIVAL_DELAY"], axis=1), data["ARRIVAL_DELAY"],
                                                random_state=10, test_size=0.25)

最终的数据集大概长这个样子：

XGBoost

和 CatBoost 以及 LGBM 算法不同，XGBoost 本身无法处理分类变量，而是像随机森林一样，只接受数值数据。因此在将分类数据传入 XGBoost 之前，必须通过各种编码方式：例如标记编码、均值编码或独热编码对数据进行处理。

import xgboost as xgb
from sklearn.grid_search import GridSearchCV
from sklearn import metrics
 
def auc(m, train, test):
    return (metrics.roc_auc_score(y_train,m.predict_proba(train)[:,1]),
                            metrics.roc_auc_score(y_test,m.predict_proba(test)[:,1]))
 
Parameter Tuning
model = xgb.XGBClassifier()
param_dist = {"max_depth": [10，30,50],
              "min_child_weight" : [1],
              "n_estimators": [200],
              "learning_rate": [0.16],}
grid_search = GridSearchCV(model, param_grid=param_dist, cv = 3,
                                   verbose=10, n_jobs=-1)
grid_search.fit(train, y_train)
 
grid_search.best_estimator_
 
model = xgb.XGBClassifier(max_depth=10, min_child_weight=1,  n_estimators=200,\
                          n_jobs=-1 , verbose=1,learning_rate=0.16)
 
train.shape,y_train.shape#((42855, 10), (42855,))
 
model.fit(train,y_train)
 
auc(model,train,test)#过拟合 (1.0, 0.6990888367179413)

LightGBM

和 CatBoost 类似，LighGBM 也可以通过使用特征名称的输入来处理属性数据；它没有对数据进行独热编码，因此速度比独热编码快得多。LGBM 使用了一个特殊的算法来确定属性特征的分割值。注意，在建立适用于 LGBM 的数据集之前，需要将分类变量转化为整型变量；此算法不允许将字符串数据传给分类变量参数。

1）不加categorical_feature 选项

import lightgbm as lgb
from sklearn import metrics
 
def auc2(m, train, test):
    return (metrics.roc_auc_score(y_train,m.predict(train)),
                            metrics.roc_auc_score(y_test,m.predict(test)))
 
lg = lgb.LGBMClassifier(silent=False)
param_dist = {"max_depth": [25,50, 75],
              "learning_rate" : [0.01,0.05,0.1],
              "num_leaves": [300,900,1200],
              "n_estimators": [200]
             }
grid_search = GridSearchCV(lg, n_jobs=-1, param_grid=param_dist, cv = 3, scoring="roc_auc", verbose=5)
grid_search.fit(train,y_train)
grid_search.best_estimator_
 
d_train = lgb.Dataset(train, label=y_train)
params = {"max_depth": 50, "learning_rate" : 0.1, "num_leaves": 900,  "n_estimators": 300}
 
# Without Categorical Features
model2 = lgb.train(params, d_train)
 
auc2(model2, train, test)#(1.0, 0.6813950368358092)

2）加categorical_feature 选项

#With Catgeorical Features
cate_features_name = ["MONTH","DAY","DAY_OF_WEEK","AIRLINE","DESTINATION_AIRPORT",
                 "ORIGIN_AIRPORT"]
 
d_train = lgb.Dataset(train, label=y_train)
 
model2 = lgb.train(params, d_train, categorical_feature = cate_features_name)
 
auc2(model2, train, test)#(1.0, 0.6781812538027399)

CatBoost

在对 CatBoost 调参时，很难对分类特征赋予指标。因此，同时给出了不传递分类特征时的调参结果，并评估了两个模型：一个包含分类特征，另一个不包含。我单独调整了独热最大量，因为它并不会影响其他参数。

如果未在cat_features参数中传递任何内容，CatBoost会将所有列视为数值变量。注意，如果某一列数据中包含字符串值，CatBoost 算法就会抛出错误。另外，带有默认值的 int 型变量也会默认被当成数值数据处理。在 CatBoost 中，必须对变量进行声明，才可以让算法将其作为分类变量处理。

1）不加Categorical features选项

import catboost as cb
cat_features_index = [0,1,2,3,4,5,6]
 
def auc(m, train, test):
    return (metrics.roc_auc_score(y_train,m.predict_proba(train)[:,1]),
                            metrics.roc_auc_score(y_test,m.predict_proba(test)[:,1]))
 
params = {'depth': [4, 7, 10],
          'learning_rate' : [0.03, 0.1, 0.15],
         'l2_leaf_reg': [1,4,9],
         'iterations': [300]}
cb = cb.CatBoostClassifier()
cb_model = GridSearchCV(cb, params, scoring="roc_auc", cv = 3)
cb_model.fit(train, y_train)
 
# With Categorical features
clf = cb.CatBoostClassifier(eval_metric="AUC", depth=10, iterations= 500, l2_leaf_reg= 9,
learning_rate= 0.15)
%timeit clf.fit(train,y_train)
 
auc(clf, train, test)#(0.7994405189483305, 0.7097991233818941)

2）有Categorical features选项

# With Categorical features
clf = cb.CatBoostClassifier(eval_metric="AUC",one_hot_max_size=31, \
                            depth=10, iterations= 500, l2_leaf_reg= 9, learning_rate= 0.15)
clf.fit(train,y_train, cat_features= cat_features_index)
 
auc(clf, train, test)#(0.7937591249216596, 0.7167802198229718)

总结

请记住，CatBoost 在测试集上表现得最好，测试集的准确度最高（0.716）、过拟合程度最小（在训练集和测试集上的准确度很接近）以及最小的预测和调试时间。但这个表现仅仅在有分类特征，而且调节了独热最大量时才会出现。如果不利用 CatBoost 算法在这些特征上的优势，它的表现效果就会变成最差的：仅有 0.709 的准确度。因此我们认为，只有在数据中包含分类变量，同时我们适当地调节了这些变量时，CatBoost 才会表现很好。

第二个使用的是 XGBoost，它的表现也相当不错。即使不考虑数据集包含有转换成数值变量之后能使用的分类变量，它的准确率也和 CatBoost 非常接近了。但是，XGBoost 唯一的问题是：它太慢了。尤其是对它进行调参，非常令人崩溃。更好的选择是分别调参，而不是使用 GridSearchCV。

最后一个模型是 LightGBM，这里需要注意的一点是，在使用 CatBoost 特征时，LightGBM 在训练速度和准确度上的表现都非常差。我认为这是因为它在分类数据中使用了一些修正的均值编码方法，进而导致了过拟合（训练集准确率非常高：1.0，尤其是和测试集准确率相比之下）。但如果我们像使用 XGBoost 一样正常使用 LightGBM，它会比 XGBoost 更快地获得相似的准确度，如果不是更高的话（LGBM—0.681, XGBoost—0.699）。

最后必须指出，这些结论在这个特定的数据集下成立，在其他数据集中，它们可能正确，也可能并不正确。但在大多数情况下，XGBoost 都比另外两个算法慢。