本文由拾毅者发布于http://blog.csdn.net/dream_angel_z/article/details/48085889,转载请注明出处,如果有问题,请联系:csu.ldw@csu.edu.cn
Introduction
决策树这种算法有着很多良好的特性,比如说训练时间复杂度较低,预测的过程比较快速,模型容易展示(容易将得到的决策树做成图片展示出来)等。但是同时,单决策树又有一些不好的地方,比如说容易over-fitting,虽然有一些方法,如剪枝可以减少这种情况,但是还是不太理想。
模型组合(比如说有Boosting,Bagging等)与决策树相关的算法比较多,如randomForest、Adaboost、GBRT等,这些算法最终的结果是生成N(可能会有几百棵以上)棵树,这样可以大大的减少单决策树带来的毛病,有点类似于三个臭皮匠赛过一个诸葛亮的做法,虽然这几百棵决策树中的每一棵都很简单(相对于C4.5这种单决策树而言),但是他们组合起来确是很强大。虽然这些算法都是通过决策树演变过来的,但在处理的过程上有着一些差异,我会在后面对此做一个本质上的比较。下面先来介绍下本文的梯度提升算法。
Gradient Tree Boosting
梯度树提升(Gradient Tree Boosting)是一种组合算法,也叫做梯度提升回归树(gradient boosting regression tree),它的基分类器是决策树,既可以用来回归,也可以用作分类。在分类性能上,能够和随机森林媲美,甚至在有的数据集上表现的有过之而无不及。如今,Gradient Tree Boosting模型已经广泛的运用在Web搜索排行榜以及生态学上。在阿里内部也用的比较多,所以值得我们去花点时间认真学习。
根据scikit-learn官网的介绍,GBRT的优势有:
- 自然而然地处理混合类型的数据
- 预测能力强
- 在输出空间对于异常值的鲁棒性强(通过强大的损失函数)
然而,GBRT也有劣势:
- 可扩展性方面,由于提升的时序性,不能进行并行处理
尽管如此,由于GTB的表现性能很好,所以它仍然受广大业界人士的青睐。下面来介绍下梯度提升树的算法原理。
GTB算法
梯度提升(gradient boosting)算法最初是FreidMan在2000年提出来的,其核心就在于,每棵树是从先前所有树的残差中来学习。利用的是当前模型中损失函数的负梯度值
作为提升树算法中的残差的近似值,进而拟合一棵回归(分类)树。
梯度提升属于Boost算法的一种,也可以说是Boost算法的一种改进,原始的Boost算法是在算法开始时,为每一个样本赋上一个相等的权重值,也就是说,最开始的时候,大家都是一样重要的。在每一次训练中得到的模型,会使得数据点的估计有所差异,所以在每一步结束后,我们需要对权重值进行处理,而处理的方式就是通过增加错分类点的权重,同时减少正确分类点的权重,这样使得某些点如果老是被分错,那么就会被“严重关注”,也就被赋上一个很高的权重。然后等进行了N次迭代(由用户指定),将会得到N个简单的基分类器(basic learner),最后将它们组合起来,可以对它们进行加权(错误率越大的基分类器权重值越小,错误率越小的基分类器权重值越大)、或者让它们进行投票等得到一个最终的模型。
Gradient Boost与传统的Boost有着很大的区别,它的每一次计算都是为了减少上一次的残差(residual),而为了减少这些残差,可以在残差减少的梯度(Gradient)方向上建立一个新模型。所以说,在Gradient Boost中,每个新模型的建立是为了使得先前模型残差往梯度方向减少,与传统的Boost算法对正确、错误的样本进行加权有着极大的区别。
梯度提升算法(以回归为例)
对于给定的输入:训练数据集
T=(x1,y1),(x2,y2),...,(xn,yn)
,损失函数
L(y,f(x))
;
输出结果:一棵回归树
f~(x)
(1)首先初始化
估计一个使损失函数极小化的常数值,此时它只有一个节点的树;
(2)迭代的建立M棵提升树
for m=1 to M:(第一层循环)
for i=1 to N:(第二层循环) 计算损失函数的负梯度在当前模型的值,并将它作为残差的估计值。
对于 rmi 拟合一棵回归树,得到第m棵树的叶节点区域 Rmj ,j=1,2,…,J
for j=1 to J:(第二层循环),计算:
利用线性搜索估计叶节点区域的值,使损失函数极小化;
然后,更新 fm(x)=fm−1(x)+∑Jj=1cmjI(xϵRmj)
(3)最后得到的 fm(x) 就是我们最终的模型
使用scikit-learn中的GTB
在scikit-learn中对GTB算法有了很好的封装,对于分类可以选择的损失函数有逻辑回归和指数函数,对于回归的损失函数相对比较多,有最小二乘法、最小绝对偏差函数、huber以及分位数等。具体描述参考下面的图片:
下面是sklearn中的一个分类原例:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
其中n_estimators表示弱分类器的个数,learning_rate表示学习率,max_depth表示最大的深度等。GTB的参数比较多,在实际应用中需要自己去调整合适的参数。
基于决策树的组合算法比较
基于决策树的组合算法常用的有三个,分别是Adaboost、RandomFrest以及本文的GBRT。
Adaboost是通过迭代的学习每一个基分类器,每次迭代中,把上一次错分类的数据权值增大,正确分类的数据权值减小,然后将基分类器的线性组合作为一个强分类器,同时给分类误差率较小的基本分类器以大的权值,给分类误差率较大的基分类器以小的权重值。Adaboost使用的是自适应的方法,其中概率分布式变化的,关注的是难分类的样本。详细内容请参考我之前的文章:机器学习算法-Adaboost。
随机森林RandomForest算法,与adaboost有错区别,可以说一种改进的装袋组合算法。随机森林则(randomForest),不仅对样本进行抽样,还对变量进行抽样。它通过随机的方式建立一个森林,森林里面有许多棵决策树,并且每一棵树之间是没有联系的。在得到森林之后,当有一个新的输入样本进来的时候,就让森林中的每一棵决策树分别对其进行判断,看这个样本应该属于哪一类(就分类算法而言),然后看看哪一类选择最多,就预测这个样本为该类。在建立每一棵决策树的过程中,有两点需要注意,即采样与完全分裂。首先是两个随机采样的过程,RF对输入的数据要进行行采样和列采样。对于行采样,是采用有放回的方式,也就是在采样得到的样本集合中,可能有重复的样本。假设输入样本为N个,那么采样的样本也为N个。这样使得在训练的时候,每一棵树的输入样本都不是全部的样本,使得相对不容易出现over-fitting过拟合。然后进行列采样,从M个feature特征中,选择m个(m << M)。之后就是对采样之后的数据使用完全分裂的方式建立出决策树,这样决策树的某一个叶子节点要么是无法继续分裂的,要么里面的所有样本的都是指向的同一个类别。一般很多的决策树算法都一个重要的步骤-剪枝,但是这里不这样干,由于之前的两个随机采样的过程保证了随机性,所以就算不剪枝,也不会出现over-fitting。按照这种算法得到的随机森林中的每一棵决策树都是非常弱的,但当它们组合在一起的时候,就相当厉害了。随机森林就好比是:每一棵决策树就是一个精通于某一领域的专家(因为我们从M个feature中选择m个让每一棵决策树进行学习),这样在随机森林中就有了很多个精通不同领域的专家,对一个新的问题(新的输入数据),可以用不同的角度去看待它,最终由各个专家,投票得到结果。随机森林的分类准确率可以与adaboost媲美。它对噪声数据更加鲁棒,运行速度比adaboost也快得多。
对于梯度提升树,它的每一次计算都是为了减少上一次的残差(residual),而为了减少这些残差,可以在残差减少的梯度(Gradient)方向上建立一个新模型。这与adaboost和随机森林有很大的区别。
References
[1] Introduction to Data Mining 数据挖掘概论. Pang-Ning Tan Michael Steinbach Vipin Kumar著
[2] 统计学习方法 李航 著
[3] scikit-learn官网组合算法 点击这里
参考文章: 随机森林与GBDT