梯度提高樹(GBDT)原理小結(轉載)

在集成學習值Adaboost算法原理和代碼小結(轉載)中，咱們對Boosting家族的Adaboost算法作了總結，本文就對Boosting家族中另外一個重要的算法梯度提高樹(Gradient Boosting Decison Tree, 如下簡稱GBDT)作一個總結。GBDT有不少簡稱，有GBT（Gradient Boosting Tree）, GTB（Gradient Tree Boosting ）， GBRT（Gradient Boosting Regression Tree）, MART(Multiple Additive Regression Tree)，其實都是指的同一種算法，本文統一簡稱GBDT。GBDT在BAT大廠中也有普遍的應用，假如要選擇3個最重要的機器學習算法的話，我的認爲GBDT應該佔一席之地。

一. GBDT概述

GBDT也是集成學習Boosting家族的成員，可是卻和傳統的Adaboost有很大的不一樣。回顧下Adaboost，咱們是利用前一輪迭代弱學習器的分類偏差率來更新訓練集的權重，這樣一輪輪的迭代下去。GBDT也是迭代，使用了前向分佈算法，可是弱學習器限定了只能使用CART迴歸樹模型，同時迭代思路和Adaboost也有所不一樣。

在GBDT的迭代中，假設咱們前一輪迭代獲得的強學習器是$f_{t-1}(x)$, 損失函數是$L(y, f_{t-1}(x))$, 咱們本輪迭代的目標是找到一個CART迴歸樹模型的弱學習器$h_t(x)$，讓本輪的損失損失$L(y, f_{t}(x) =L(y, f_{t-1}(x)+ h_t(x))$最小。也就是說，本輪迭代找到決策樹，要讓樣本的損失儘可能變得更小。

GBDT的思想能夠用一個通俗的例子解釋，假若有我的30歲，咱們首先用20歲去擬合，發現損失有10歲，這時咱們用6歲去擬合剩下的損失，發現差距還有4歲，第三輪咱們用3歲擬合剩下的差距，差距就只有一歲了。若是咱們的迭代輪數尚未完，能夠繼續迭代下面，每一輪迭代，擬合的歲數偏差都會減少。

從上面的例子看這個思想仍是蠻簡單的，可是有個問題是這個損失的擬合很差度量，損失函數各類各樣，怎麼找到一種通用的擬合方法呢？

 

二. GBDT的負梯度擬合

咱們已經介紹了GBDT的基本思路，可是沒有解決損失函數擬合方法的問題。針對這個問題，大牛Freidman提出了用損失函數的負梯度來擬合本輪損失的近似值，進而擬合一個CART迴歸樹。第t輪的第i個樣本的損失函數的負梯度表示爲：$$r_{ti} = -\bigg[\frac{\partial L(y_i, f(x_i)))}{\partial f(x_i)}\bigg]_{f(x) = f_{t-1}\;\; (x)}$$利用$(x_i,r_{ti})\;\; (i=1,2,..m)$,咱們能夠擬合一顆CART迴歸樹，獲得了第t顆迴歸樹，其對應的葉節點區域$R_{tj}, j =1,2,..., J$。其中J爲葉子節點的個數。

針對每個葉子節點裏的樣本，咱們求出使損失函數最小，也就是擬合葉子節點最好的的輸出值$c_{tj}$以下：$$c_{tj} = \underbrace{arg\; min}_{c}\sum\limits_{x_i \in R_{tj}} L(y_i,f_{t-1}(x_i) +c_t)$$這樣咱們就獲得了本輪的決策樹擬合函數以下：$$h_t(x) = \sum\limits_{j=1}^{J}c_{tj}I(x \in R_{tj})$$

從而本輪最終獲得的強學習器的表達式以下：$$f_{t}(x) = f_{t-1}(x) + \sum\limits_{j=1}^{J}c_{tj}I(x \in R_{tj}) $$經過損失函數的負梯度來擬合，咱們找到了一種通用的擬合損失偏差的辦法，這樣無輪是分類問題仍是迴歸問題，咱們經過其損失函數的負梯度的擬合，就能夠用GBDT來解決咱們的分類迴歸問題。區別僅僅在於損失函數不一樣致使的負梯度不一樣而已。

 

 三. GBDT迴歸算法

好了，有了上面的思路，下面咱們總結下GBDT的迴歸算法。爲何沒有加上分類算法一塊兒？那是由於分類算法的輸出是不連續的類別值，須要一些處理才能使用負梯度，咱們在後面講。

輸入：訓練集樣本$T=\{(x_,y_1),(x_2,y_2), ...(x_m,y_m)\}$， 最大迭代次數T, 損失函數L。

輸出：強學習器f(x)

1. 初始化弱學習器$$f_0(x) = \underbrace{arg\; min}_{c}\sum\limits_{i=1}^{m}L(y_i, c)$$
2. 對迭代輪數t=1,2,...T有：

a)對樣本i=1,2，...m，計算負梯度：$$r_{ti} = -\bigg[\frac{\partial L(y_i, f(x_i)))}{\partial f(x_i)}\bigg]_{f(x) = f_{t-1}\;\; (x)}$$

b)利用$(x_i,r_{ti})\;\; (i=1,2,..m)$, 擬合一顆CART迴歸樹,獲得第t顆迴歸樹，其對應的葉子節點區域爲$R_{tj}, j =1,2,..., J$。其中J爲迴歸樹t的葉子節點的個數。

c) 對葉子區域j =1,2,..J,計算最佳擬合值：$$c_{tj} = \underbrace{arg\; min}_{c}\sum\limits_{x_i \in R_{tj}} L(y_i,f_{t-1}(x_i) +c)$$

d) 更新強學習器：$$f_{t}(x) = f_{t-1}(x) + \sum\limits_{j=1}^{J}c_{tj}I(x \in R_{tj}) $$

3.獲得強學習器f(x)的表達式：$$f(x) = f_T(x) =f_0(x) + \sum\limits_{t=1}^{T}\sum\limits_{j=1}^{J}c_{tj}I(x \in R_{tj})$$

 

四. GBDT分類算法

這裏咱們再看看GBDT分類算法，GBDT的分類算法從思想上和GBDT的迴歸算法沒有區別，可是因爲樣本輸出不是連續的值，而是離散的類別，致使咱們沒法直接從輸出類別去擬合類別輸出的偏差。

爲了解決這個問題，主要有兩個方法，一個是用指數損失函數，此時GBDT退化爲Adaboost算法。另外一種方法是用相似於邏輯迴歸的對數似然損失函數的方法。也就是說，咱們用的是類別的預測機率值和真實機率值的差來擬合損失。本文僅討論用對數似然損失函數的GBDT分類。而對於對數似然損失函數，咱們又有二元分類和多元分類的區別。

一、二元GBDT分類算法

對於二元GBDT，若是用相似於邏輯迴歸的對數似然損失函數，則損失函數爲：$$L(y, f(x)) = log(1+ exp(-yf(x)))$$

其中$y \in\{-1, +1\}$。則此時的負梯度偏差爲：$$r_{ti} = -\bigg[\frac{\partial L(y, f(x_i)))}{\partial f(x_i)}\bigg]_{f(x) = f_{t-1}\;\; (x)} = y_i/(1+exp(y_if(x_i)))$$

對於生成的決策樹，咱們各個葉子節點的最佳殘差擬合值爲：$$c_{tj} = \underbrace{arg\; min}_{c}\sum\limits_{x_i \in R_{tj}} log(1+exp(-y_i(f_{t-1}(x_i) +c)))$$

因爲上式比較難優化，咱們通常使用近似值代替：$$c_{tj} = \sum\limits_{x_i \in R_{tj}}r_{ti}\bigg /  \sum\limits_{x_i \in R_{tj}}|r_{ti}|(1-|r_{ti}|)$$

除了負梯度計算和葉子節點的最佳殘差擬合的線性搜索，二元GBDT分類和GBDT迴歸算法過程相同。

2 、多元GBDT分類算法

多元GBDT要比二元GBDT複雜一些，對應的是多元邏輯迴歸和二元邏輯迴歸的複雜度差異。假設類別數爲K，則此時咱們的對數似然損失函數爲：$$L(y, f(x)) = -  \sum\limits_{k=1}^{K}y_klog\;p_k(x) $$

其中若是樣本輸出類別爲k，則$y_k=1$。第k類的機率$p_k(x) $的表達式爲：$$p_k(x) = exp(f_k(x)) \bigg / \sum\limits_{l=1}^{K} exp(f_l(x)) $$

集合上兩式，咱們能夠計算出第$t$輪的第$i$個樣本對應類別$l$的負梯度偏差爲：$$r_{til} = -\bigg[\frac{\partial L(y_i, f(x_i)))}{\partial f(x_i)}\bigg]_{f_k(x) = f_{l, t-1}\;\; (x)} = y_{il} - p_{l, t-1}(x_i)$$

觀察上式能夠看出，其實這裏的偏差就是樣本$i$對應類別$l$的真實機率和$t-1$輪預測機率的差值。

對於生成的決策樹，咱們各個葉子節點的最佳殘差擬合值爲：$$c_{tjl} = \underbrace{arg\; min}_{c_{jl}}\sum\limits_{i=0}^{m}\sum\limits_{k=1}^{K} L(y_k, f_{t-1, l}(x) + \sum\limits_{j=0}^{J}c_{jl} I(x_i \in R_{tj}))$$

因爲上式比較難優化，咱們通常使用近似值代替：$$c_{tjl} =  \frac{K-1}{K} \; \frac{\sum\limits_{x_i \in R_{tjl}}r_{til}}{\sum\limits_{x_i \in R_{til}}|r_{til}|(1-|r_{til}|)}$$

除了負梯度計算和葉子節點的最佳殘差擬合的線性搜索，多元GBDT分類和二元GBDT分類以及GBDT迴歸算法過程相同。

 

五 GBDT經常使用損失函數

這裏咱們再對經常使用的GBDT損失函數作一個總結。

對於分類算法，其損失函數通常有對數損失函數和指數損失函數兩種:

• 若是是指數損失函數，則損失函數表達式爲：$$L(y, f(x)) = exp(-yf(x))$$其負梯度計算和葉子節點的最佳殘差擬合參見Adaboost原理篇。
• 若是是對數損失函數，分爲二元分類和多元分類兩種，參見上面內容。

對於迴歸算法，經常使用損失函數有以下4種:

• 均方差，這個是最多見的迴歸損失函數了：$$L(y, f(x)) =(y-f(x))^2$$
• 絕對損失，這個損失函數也很常見：$$L(y, f(x)) =|y-f(x)|$$對應負梯度偏差爲：$$sign(y_i-f(x_i))$$
• Huber損失，它是均方差和絕對損失的折衷產物，對於遠離中心的異常點，採用絕對損失，而中心附近的點採用均方差。這個界限通常用分位數點度量。損失函數以下：$$L(y, f(x))=\begin{cases}\frac{1}{2}(y-f(x))^2& {|y-f(x)| \leq \delta}\\\delta(|y-f(x)| - \frac{\delta}{2})& {|y-f(x)| > \delta}\end{cases}$$對應的負梯度偏差爲：$$r(y_i, f(x_i))=\begin{cases}y_i-f(x_i)& {|y_i-f(x_i)| \leq \delta}\\\delta sign(y_i-f(x_i))& {|y_i-f(x_i)| > \delta}\end{cases}$$
• 分位數損失。它對應的是分位數迴歸的損失函數，表達式爲：$$L(y, f(x)) =\sum\limits_{y \geq f(x)}\theta|y - f(x)| + \sum\limits_{y < f(x)}(1-\theta)|y - f(x)| $$其中$\theta$爲分位數，須要咱們在迴歸前指定。對應的負梯度偏差爲：$$r(y_i, f(x_i))=\begin{cases}\theta& { y_i \geq f(x_i)}\\\theta - 1 & {y_i < f(x_i) }\end{cases}$$對於Huber損失和分位數損失，主要用於健壯迴歸，也就是減小異常點對損失函數的影響。

 

六 GBDT的正則化

和Adaboost同樣，咱們也須要對GBDT進行正則化，防止過擬合。GBDT的正則化主要有三種方式。

• 第一種是和Adaboost相似的正則化項，即步長(learning rate)。定義爲$\nu$,對於前面的弱學習器的迭代$$f_{k}(x) = f_{k-1}(x) + h_k(x) $$若是咱們加上了正則化項，則有：$$f_{k}(x) = f_{k-1}(x) + \nu h_k(x) $$ $\nu$的取值範圍爲$0 < \nu \leq 1 $。對於一樣的訓練集學習效果，較小的$\nu$意味着咱們須要更多的弱學習器的迭代次數。一般咱們用步長和迭代最大次數一塊兒來決定算法的擬合效果。
• 第二種正則化的方式是經過子採樣比例（subsample）。取值爲(0,1]。注意這裏的子採樣和隨機森林不同，隨機森林使用的是放回抽樣，而這裏是不放回抽樣。若是取值爲1，則所有樣本都使用，等於沒有使用子採樣。若是取值小於1，則只有一部分樣本會去作GBDT的決策樹擬合。選擇小於1的比例能夠減小方差，即防止過擬合，可是會增長樣本擬合的誤差，所以取值不能過低。推薦在[0.5, 0.8]之間。使用了子採樣的GBDT有時也稱做隨機梯度提高樹(Stochastic Gradient Boosting Tree, SGBT)。因爲使用了子採樣，程序能夠經過採樣分發到不一樣的任務去作boosting的迭代過程，最後造成新樹，從而減小弱學習器難以並行學習的弱點。
• 第三種是對於弱學習器即CART迴歸樹進行正則化剪枝。在決策樹原理篇裏咱們已經講過，這裏就不重複了。

 

七 GBDT小結　

GBDT終於講完了，GDBT自己並不複雜，不過要吃透的話須要對集成學習的原理，決策樹原理和各類損失函樹有必定的瞭解。因爲GBDT的卓越性能，只要是研究機器學習都應該掌握這個算法，包括背後的原理和應用調參方法。目前GBDT的算法比較好的庫是xgboost。固然scikit-learn也能夠。

最後總結下GBDT的優缺點。

GBDT主要的優勢有：

•  能夠靈活處理各類類型的數據，包括連續值和離散值。
• 在相對少的調參時間狀況下，預測的準備率也能夠比較高。這個是相對SVM來講的。
• 使用一些健壯的損失函數，對異常值的魯棒性很是強。好比 Huber損失函數和Quantile損失函數。

GBDT的主要缺點有：

• 因爲弱學習器之間存在依賴關係，難以並行訓練數據。不過能夠經過自採樣的SGBT來達到部分並行。

參考文章：

[1]梯度提高樹(GBDT)原理小結

[2]GBDT原理詳解

[3]統計學習方法.李航