GBDT 回歸的原理和Python 實(shí)現(xiàn)
完整實(shí)現(xiàn)代碼請(qǐng)參考github：
1. 原理篇
我們用人話而不是大段的數(shù)學(xué)公式來(lái)講講GBDT回歸是怎么一回事。
1.1 溫故知新
回歸樹(shù)是GBDT的基礎(chǔ)，之前的一篇文章曾經(jīng)講過(guò)回歸樹(shù)的原理和實(shí)現(xiàn)。
1.2 預(yù)測(cè)年齡
仍然以預(yù)測(cè)同事年齡來(lái)舉例，從《回歸樹(shù)》那篇文章中我們可以知道，如果需要通過(guò)一個(gè)常量來(lái)預(yù)測(cè)同事的年齡，平均值是最佳的選擇之一。
1.3 年齡的殘差
我們不妨假設(shè)同事的年齡分別為5歲、6歲、7歲，那么同事的平均年齡就是6歲。所以我們用6歲這個(gè)常量來(lái)預(yù)測(cè)同事的年齡，即[6, 6, 6]。每個(gè)同事年齡的殘差 = 年齡 – 預(yù)測(cè)值 = [5, 6, 7] – [6, 6, 6]，所以殘差為[-1, 0, 1]
1.4 預(yù)測(cè)年齡的殘差
為了讓模型更加準(zhǔn)確，其中一個(gè)思路是讓殘差變小。如何減少殘差呢？我們不妨對(duì)殘差建立一顆回歸樹(shù)，然后預(yù)測(cè)出準(zhǔn)確的殘差。假設(shè)這棵樹(shù)預(yù)測(cè)的殘差是[-0.9, 0, 0.9]，將上一輪的預(yù)測(cè)值和這一輪的預(yù)測(cè)值求和，每個(gè)同事的年齡 = [6, 6, 6] + [-0.9, 0, 0.9] = [5.1, 6, 6.9]，顯然與真實(shí)值[5, 6, 7]更加接近了， 年齡的殘差此時(shí)變?yōu)閇-0.1, 0, 0.1]。顯然，預(yù)測(cè)的準(zhǔn)確性得到了提升。
1.5 GBDT
重新整理一下思路，假設(shè)我們的預(yù)測(cè)一共迭代3輪 年齡：[5, 6, 7]
第1輪預(yù)測(cè)：[6, 6, 6] (平均值)
第1輪殘差：[-1, 0, 1]
第2輪預(yù)測(cè)：[6, 6, 6] (平均值) + [-0.9, 0, 0.9] (第1顆回歸樹(shù)) = [5.1, 6, 6.9]
第2輪殘差：[-0.1, 0, 0.1]
第3輪預(yù)測(cè)：[6, 6, 6] (平均值) + [-0.9, 0, 0.9] (第1顆回歸樹(shù)) + [-0.08, 0, 0.07] (第2顆回歸樹(shù)) = [5.02, 6, 6.97]
第3輪殘差：[-0.08, 0, 0.03]
看上去殘差越來(lái)越小，而這種預(yù)測(cè)方式就是GBDT算法。
1.6 公式推導(dǎo)
看到這里，相信您對(duì)GBDT已經(jīng)有了直觀的認(rèn)識(shí)。這么做有什么科學(xué)依據(jù)么，為什么殘差可以越來(lái)越小呢？前方小段數(shù)學(xué)公式低能預(yù)警。
假設(shè)要做m輪預(yù)測(cè)，預(yù)測(cè)函數(shù)為Fm，初始常量或每一輪的回歸樹(shù)為fm，輸入變量為X，有：
設(shè)要預(yù)測(cè)的變量為y，采用MSE作為損失函數(shù)：
我們知道泰勒公式的一階展開(kāi)式是長(zhǎng)成這個(gè)樣子滴：
如果：
那么，根據(jù)式3和式4可以得出：
根據(jù)式2可以知道，損失函數(shù)的一階偏導(dǎo)數(shù)為:
根據(jù)式6可以知道，損失函數(shù)的二階偏導(dǎo)數(shù)為：
蓄力結(jié)束，開(kāi)始放大招。根據(jù)式1，損失函數(shù)的一階導(dǎo)數(shù)為：
根據(jù)式5，將式8進(jìn)一步展開(kāi)為：
令式9，即損失函數(shù)的一階偏導(dǎo)數(shù)為0，那么：
將式6，式7代入式9得到：
因此，我們需要通過(guò)用第m-1輪殘差的均值來(lái)得到函數(shù)fm，進(jìn)而優(yōu)化函數(shù)Fm。而回歸樹(shù)的原理就是通過(guò)最佳劃分區(qū)域的均值來(lái)進(jìn)行預(yù)測(cè)。所以fm可以選用回歸樹(shù)作為基礎(chǔ)模型，將初始值，m-1顆回歸樹(shù)的預(yù)測(cè)值相加便可以預(yù)測(cè)y。
2. 實(shí)現(xiàn)篇
本人用全宇宙最簡(jiǎn)單的編程語(yǔ)言——Python實(shí)現(xiàn)了GBDT回歸算法，沒(méi)有依賴任何第三方庫(kù)，便于學(xué)習(xí)和使用。簡(jiǎn)單說(shuō)明一下實(shí)現(xiàn)過(guò)程，更詳細(xì)的注釋請(qǐng)參考本人github上的代碼。
2.1 導(dǎo)入回歸樹(shù)類
回歸樹(shù)是我之前已經(jīng)寫好的一個(gè)類，在之前的文章詳細(xì)介紹過(guò)，代碼請(qǐng)參考：
regression_tree.pygithub.com
1 | from ..tree.regression_tree import RegressionTree |
2.2 創(chuàng)建GradientBoostingBase類
初始化，存儲(chǔ)回歸樹(shù)、學(xué)習(xí)率、初始預(yù)測(cè)值和變換函數(shù)。（注：回歸不需要做變換，因此函數(shù)的返回值等于參數(shù)）
1 2 3 4 5 6 | class GradientBoostingBase(object): ????def __init__(self): ????????self.trees = None ????????self.lr = None ????????self.init_val = None ????????self.fn = lambda x: x |
2.3 計(jì)算初始預(yù)測(cè)值
初始預(yù)測(cè)值即y的平均值。
1 2 | def _get_init_val(self, y): ????return sum(y) / len(y) |
2.4 計(jì)算殘差
1 2 | def _get_residuals(self, y, y_hat): ????return [yi - self.fn(y_hat_i) for yi, y_hat_i in zip(y, y_hat)] |
2.5 訓(xùn)練模型
訓(xùn)練模型的時(shí)候需要注意以下幾點(diǎn)： 1. 控制樹(shù)的最大深度max_depth； 2. 控制分裂時(shí)最少的樣本量min_samples_split； 3. 訓(xùn)練每一棵回歸樹(shù)的時(shí)候要乘以一個(gè)學(xué)習(xí)率lr，防止模型過(guò)擬合； 4. 對(duì)樣本進(jìn)行抽樣的時(shí)候要采用有放回的抽樣方式。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 | def fit(self, X, y, n_estimators, lr, max_depth, min_samples_split, subsample=None): ????self.init_val = self._get_init_val(y) ? ????n = len(y) ????y_hat = [self.init_val] * n ????residuals = self._get_residuals(y, y_hat) ? ????self.trees = [] ????self.lr = lr ????for _ in range(n_estimators): ????????idx = range(n) ????????if subsample is not None: ????????????k = int(subsample * n) ????????????idx = choices(population=idx, k=k) ????????X_sub = [X[i] for i in idx] ????????residuals_sub = [residuals[i] for i in idx] ????????y_hat_sub = [y_hat[i] for i in idx] ? ????????tree = RegressionTree() ????????tree.fit(X_sub, residuals_sub, max_depth, min_samples_split) ? ????????self._update_score(tree, X_sub, y_hat_sub, residuals_sub) ? ????????y_hat = [y_hat_i + lr * res_hat_i for y_hat_i, ????????????????????res_hat_i in zip(y_hat, tree.predict(X))] ? ????????residuals = self._get_residuals(y, y_hat) ????????self.trees.append(tree) |
2.6 預(yù)測(cè)一個(gè)樣本
1 2 | def _predict(self, Xi): ????return self.fn(self.init_val + sum(self.lr * tree._predict(Xi) for tree in self.trees)) |
2.7 預(yù)測(cè)多個(gè)樣本
1 2 | def predict(self, X): ????return [self._predict(Xi) for Xi in X] |
3 效果評(píng)估
3.1 main函數(shù)
使用著名的波士頓房?jī)r(jià)數(shù)據(jù)集，按照7:3的比例拆分為訓(xùn)練集和測(cè)試集，訓(xùn)練模型，并統(tǒng)計(jì)準(zhǔn)確度。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | @run_time def main(): ????print("Tesing the accuracy of GBDT regressor...") ? ????X, y = load_boston_house_prices() ? ????X_train, X_test, y_train, y_test = train_test_split( ????????X, y, random_state=10) ? ????reg = GradientBoostingRegressor() ????reg.fit(X=X_train, y=y_train, n_estimators=4, ????????????lr=0.5, max_depth=2, min_samples_split=2) ? ????get_r2(reg, X_test, y_test) |
3.2 效果展示
最終擬合優(yōu)度0.851，運(yùn)行時(shí)間2.2秒，效果還算不錯(cuò)~
3.3 工具函數(shù)
本人自定義了一些工具函數(shù)，可以在github上查看
utils.pygithub.com
1. run_time – 測(cè)試函數(shù)運(yùn)行時(shí)間
2. load_boston_house_prices – 加載波士頓房?jī)r(jià)數(shù)據(jù)
3. train_test_split – 拆分訓(xùn)練集、測(cè)試集
4. get_r2 – 計(jì)算擬合優(yōu)度
下載文檔
