文章来源:https://www.deeplearn.me/1797.html
GBDT+LR 的特征组合方案是工业界经常使用的组合,尤其是计算广告 CTR 中应用比较广泛,方案的提出者是 Facebook 2014 的一篇论文。
相关的开发工具包,sklearn 和 xgboost(ps:xgboost 是一个大杀器,并且支持 hadoop 分布式,你可以部署实现分布式操作,博主部署过,布置过程较为负责,尤其是环境变量的各种设置)
特征决定模型性能上界,例如深度学习方法也是将数据如何更好的表达为特征。如果能够将数据表达成为线性可分的数据,那么使用简单的线性模型就可以取得很好的效果。GBDT 构建新的特征也是使特征更好地表达数据。
主要参考 Facebook[1],原文提升效果:
在预测 Facebook 广告点击中,使用一种将决策树与逻辑回归结合在一起的模型,其优于其他方法,超过 3%。
主要思想:GBDT 每棵树的路径直接作为 LR 输入特征使用。
用已有特征训练 GBDT 模型,然后利用 GBDT 模型学习到的树来构造新特征,最后把这些新特征加入原有特征一起训练模型。构造的新特征向量是取值 0/1 的,向量的每个元素对应于 GBDT 模型中树的叶子结点。当一个样本点通过某棵树最终落在这棵树的一个叶子结点上,那么在新特征向量中这个叶子结点对应的元素值为 1,而这棵树的其他叶子结点对应的元素值为 0。新特征向量的长度等于 GBDT 模型里所有树包含的叶子结点数之和。
上图为混合模型结构。输入特征通过增强的决策树进行转换。 每个单独树的输出被视为稀疏线性分类器的分类输入特征。 增强的决策树被证明是非常强大的特征转换。
例子 1:上图有两棵树,左树有三个叶子节点,右树有两个叶子节点,最终的特征即为五维的向量。对于输入 x,假设他落在左树第一个节点,编码[1,0,0],落在右树第二个节点则编码[0,1],所以整体的编码为[1,0,0,0,1],这类编码作为特征,输入到线性分类模型(LR or FM)中进行分类。
需要注意的是在 sklearn 或者 xgboost 输出的结果都是叶子节点的 index,所以需要自己动手去做 onehot 编码,然后交给 lr 训练,onehot 你可以在 sklearn 的预处理包中调用即可
论文中 GBDT 的参数,树的数量最多 500 颗(500 以上就没有提升了),每棵树的节点不多于 12。
下面给出二者相结合的代码演示
# -*- coding: utf-8 -*-
2.# @Time : 2018/2/27 上午 10:39
3.# @Author : Tomcj
4.# @File : gbdt_lr.py
5.# @Software: PyCharm
6.import xgboost as xgb
7.from sklearn.datasets import load_svmlight_file
8.from sklearn.model_selection import train_test_split
9.from sklearn.linear_model import LogisticRegression
10.from sklearn.metrics import roc_curve, auc, roc_auc_score
11.from sklearn.externals import joblib
12.from sklearn.preprocessing import OneHotEncoder
13.import numpy as np
14.from scipy.sparse import hstack
15.
16.
17.
18.def xgb_feature_encode(libsvmFileNameInitial):
19.
20. # load 样本数据
21. X_all, y_all = load_svmlight_file(libsvmFileNameInitial)
22.
23. # 训练/测试数据分割
24. X_train, X_test, y_train, y_test = train_test_split(X_all, y_all, test_size = 0.3, random_state = 42)
25.
26. # 定义模型
27. xgboost = xgb.XGBClassifier(nthread=4, learning_rate=0.08,
28. n_estimators=50, max_depth=5, gamma=0, subsample=0.9, colsample_bytree=0.5)
29. # 训练学习
30. xgboost.fit(X_train, y_train)
31.
32.
33. # 预测及 AUC 评测
34. y_pred_test = xgboost.predict_proba(X_test)[:, 1]
35. xgb_test_auc = roc_auc_score(y_test, y_pred_test)
36. print('xgboost test auc: %.5f' % xgb_test_auc)
37.
38. # xgboost 编码原有特征
39. X_train_leaves = xgboost.apply(X_train)
40. X_test_leaves = xgboost.apply(X_test)
41. # 训练样本个数
42. train_rows = X_train_leaves.shape[0]
43. # 合并编码后的训练数据和测试数据
44. X_leaves = np.concatenate((X_train_leaves, X_test_leaves), axis=0)
45. X_leaves = X_leaves.astype(np.int32)
46.
47. (rows, cols) = X_leaves.shape
48.
49. # 记录每棵树的编码区间
50. cum_count = np.zeros((1, cols), dtype=np.int32)
51.
52. for j in range(cols):
53. if j == 0:
54. cum_count[0][j] = len(np.unique(X_leaves[:, j]))
55. else:
56. cum_count[0][j] = len(np.unique(X_leaves[:, j])) + cum_count[0][j-1]
57.
58. print('Transform features genenrated by xgboost...')
59. # 对所有特征进行 ont-hot 编码,注释部分是直接使用 onehot 函数,结果输出保证是 libsvm 格式也可以使用
60. #sklearn 中的 dump_svmlight_file 操作,这个文件代码是参考别人的代码,这些点都是可以优化的。
61.
62. # onehot=OneHotEncoder()
63. # onehot.fit(X_leaves)
64. # x_leaves_encode=onehot.transform(X_leaves)
65. for j in range(cols):
66. keyMapDict = {}
67. if j == 0:
68. initial_index = 1
69. else:
70. initial_index = cum_count[0][j-1]+1
71. for i in range(rows):
72. if X_leaves[i, j] not in keyMapDict:
73. keyMapDict[X_leaves[i, j]] = initial_index
74. X_leaves[i, j] = initial_index
75. initial_index = initial_index + 1
76. else:
77. X_leaves[i, j] = keyMapDict[X_leaves[i, j]]
78.
79. # 基于编码后的特征,将特征处理为 libsvm 格式且写入文件
80. print('Write xgboost learned features to file ...')
81. xgbFeatureLibsvm = open('xgb_feature_libsvm', 'w')
82. for i in range(rows):
83. if i < train_rows:
84. xgbFeatureLibsvm.write(str(y_train[i]))
85. else:
86. xgbFeatureLibsvm.write(str(y_test[i-train_rows]))
87. for j in range(cols):
88. xgbFeatureLibsvm.write(' '+str(X_leaves[i, j])+':1.0')
89. xgbFeatureLibsvm.write('\n')
90. xgbFeatureLibsvm.close()
91.
92.
93.def xgboost_lr_train(xgbfeaturefile, origin_libsvm_file):
94.
95. # load xgboost 特征编码后的样本数据
96. X_xg_all, y_xg_all = load_svmlight_file(xgbfeaturefile)
97. X_train, X_test, y_train, y_test = train_test_split(X_xg_all, y_xg_all, test_size = 0.3, random_state = 42)
98.
99. # load 原始样本数据
100. X_all, y_all = load_svmlight_file(origin_libsvm_file)
101. X_train_origin, X_test_origin, y_train_origin, y_test_origin = train_test_split(X_all, y_all, test_size = 0.3, random_state = 42)
102.
103.
104. # lr 对原始特征样本模型训练
105. lr = LogisticRegression(n_jobs=-1, C=0.1, penalty='l1')
106. lr.fit(X_train_origin, y_train_origin)
107. joblib.dump(lr, 'lr_orgin.m')
108. # 预测及 AUC 评测
109. y_pred_test = lr.predict_proba(X_test_origin)[:, 1]
110. lr_test_auc = roc_auc_score(y_test_origin, y_pred_test)
111. print('基于原有特征的 LR AUC: %.5f' % lr_test_auc)
112.
113. # lr 对 load xgboost 特征编码后的样本模型训练
114. lr = LogisticRegression(n_jobs=-1, C=0.1, penalty='l1')
115. lr.fit(X_train, y_train)
116. joblib.dump(lr, 'lr_xgb.m')
117. # 预测及 AUC 评测
118. y_pred_test = lr.predict_proba(X_test)[:, 1]
119. lr_test_auc = roc_auc_score(y_test, y_pred_test)
120. print('基于 Xgboost 特征编码后的 LR AUC: %.5f' % lr_test_auc)
121.
122. # 基于原始特征组合 xgboost 编码后的特征
123. X_train_ext = hstack([X_train_origin, X_train])
124. del(X_train)
125. del(X_train_origin)
126. X_test_ext = hstack([X_test_origin, X_test])
127. del(X_test)
128. del(X_test_origin)
129.
130. # lr 对组合后的新特征的样本进行模型训练
131. lr = LogisticRegression(n_jobs=-1, C=0.1, penalty='l1')
132. lr.fit(X_train_ext, y_train)
133. joblib.dump(lr, 'lr_ext.m')
134. # 预测及 AUC 评测
135. y_pred_test = lr.predict_proba(X_test_ext)[:, 1]
136. lr_test_auc = roc_auc_score(y_test, y_pred_test)
137. print('基于组合特征的 LR AUC: %.5f' % lr_test_auc)
138.
139.if __name__ == '__main__':
140. xgb_feature_encode("/Users/leiyang/xgboost/demo/data/agaricus.txt.train")
141. xgboost_lr_train("xgb_feature_libsvm","/Users/leiyang/xgboost/demo/data/agaricus.txt.train")
142.