最近項目中涉及基於Gradient Boosting Regression 算法擬合時間序列曲線的內容,利用python機器學習包 scikit-learn 中的GradientBoostingRegressor完成
因此就學習了下Gradient Boosting算法,在這里分享下我的理解
Boosting 算法簡介
Boosting算法,我理解的就是兩個思想:
1)“三個臭皮匠頂個諸葛亮”,一堆弱分類器的組合就可以成為一個強分類器;
2)“知錯能改,善莫大焉”,不斷地在錯誤中學習,迭代來降低犯錯概率
當然,要理解好Boosting的思想,首先還是從弱學習算法和強學習算法來引入:
1)強學習算法:存在一個多項式時間的學習算法以識別一組概念,且識別的正確率很高;
2)弱學習算法:識別一組概念的正確率僅比隨機猜測略好;
Kearns & Valiant證明了弱學習算法與強學習算法的等價問題,如果兩者等價,只需找到一個比隨機猜測略好的學習算法,就可以將其提升為強學習算法。
那么是怎么實現“知錯就改”的呢?
Boosting算法,通過一系列的迭代來優化分類結果,每迭代一次引入一個弱分類器,來克服現在已經存在的弱分類器組合的shortcomings
在Adaboost算法中,這個shortcomings的表征就是權值高的樣本點
而在Gradient Boosting算法中,這個shortcomings的表征就是梯度
無論是Adaboost還是Gradient Boosting,都是通過這個shortcomings來告訴學習器怎么去提升模型,也就是“Boosting”這個名字的由來吧
Adaboost算法
Adaboost是由Freund 和 Schapire在1997年提出的,在整個訓練集上維護一個分布權值向量W,用賦予權重的訓練集通過弱分類算法產生分類假設(基學習器)y(x),然后計算錯誤率,用得到的錯誤率去更新分布權值向量w,對錯誤分類的樣本分配更大的權值,正確分類的樣本賦予更小的權值。每次更新后用相同的弱分類算法產生新的分類假設,這些分類假設的序列構成多分類器。對這些多分類器用加權的方法進行聯合,最后得到決策結果。
其結構如下圖所示:
前一個學習器改變權重w,然后再經過下一個學習器,最終所有的學習器共同組成最后的學習器。
如果一個樣本在前一個學習器中被誤分,那么它所對應的權重會被加重,相應地,被正確分類的樣本的權重會降低。
這里主要涉及到兩個權重的計算問題:
1)樣本的權值
1> 沒有先驗知識的情況下,初始的分布應為等概分布,樣本數目為n,權值為1/n
2> 每一次的迭代更新權值,提高分錯樣本的權重
2)弱學習器的權值
1> 最后的強學習器是通過多個基學習器通過權值組合得到的。
2> 通過權值體現不同基學習器的影響,正確率高的基學習器權重高。實際上是分類誤差的一個函數
Gradient Boosting
和Adaboost不同,Gradient Boosting 在迭代的時候選擇梯度下降的方向來保證最后的結果最好。
損失函數用來描述模型的“靠譜”程度,假設模型沒有過擬合,損失函數越大,模型的錯誤率越高
如果我們的模型能夠讓損失函數持續的下降,則說明我們的模型在不停的改進,而最好的方式就是讓損失函數在其梯度方向上下降。
下面這個流程圖是Gradient Boosting的經典圖了,數學推導並不復雜,只要理解了Boosting的思想,不難看懂
這里是直接對模型的函數進行更新,利用了參數可加性推廣到函數空間。
訓練F0-Fm一共m個基學習器,沿着梯度下降的方向不斷更新ρm和am
GradientBoostingRegressor實現
python中的scikit-learn包提供了很方便的GradientBoostingRegressor和GBDT的函數接口,可以很方便的調用函數就可以完成模型的訓練和預測
GradientBoostingRegressor函數的參數如下:
class sklearn.ensemble.GradientBoostingRegressor(loss='ls', learning_rate=0.1, n_estimators=100, subsample=1.0, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_depth=3, init=None, random_state=None, max_features=None, alpha=0.9, verbose=0, max_leaf_nodes=None, warm_start=False, presort='auto')[source]¶
loss: 選擇損失函數,默認值為ls(least squres)
learning_rate: 學習率,模型是0.1
n_estimators: 弱學習器的數目,默認值100
max_depth: 每一個學習器的最大深度,限制回歸樹的節點數目,默認為3
min_samples_split: 可以划分為內部節點的最小樣本數,默認為2
min_samples_leaf: 葉節點所需的最小樣本數,默認為1
……
可以參考 http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.GradientBoostingRegressor.html官方文檔里帶了一個很好的例子,以500個弱學習器,最小平方誤差的梯度提升模型,做波士頓房價預測,代碼和結果如下:
1 import numpy as np 2 import matplotlib.pyplot as plt 3 4 from sklearn import ensemble 5 from sklearn import datasets 6 from sklearn.utils import shuffle 7 from sklearn.metrics import mean_squared_error 8 9 ############################################################################### 10 # Load data 11 boston = datasets.load_boston() 12 X, y = shuffle(boston.data, boston.target, random_state=13) 13 X = X.astype(np.float32) 14 offset = int(X.shape[0] * 0.9) 15 X_train, y_train = X[:offset], y[:offset] 16 X_test, y_test = X[offset:], y[offset:] 17 18 ############################################################################### 19 # Fit regression model 20 params = {'n_estimators': 500, 'max_depth': 4, 'min_samples_split': 1, 21 'learning_rate': 0.01, 'loss': 'ls'} 22 clf = ensemble.GradientBoostingRegressor(**params) 23 24 clf.fit(X_train, y_train) 25 mse = mean_squared_error(y_test, clf.predict(X_test)) 26 print("MSE: %.4f" % mse) 27 28 ############################################################################### 29 # Plot training deviance 30 31 # compute test set deviance 32 test_score = np.zeros((params['n_estimators'],), dtype=np.float64) 33 34 for i, y_pred in enumerate(clf.staged_predict(X_test)): 35 test_score[i] = clf.loss_(y_test, y_pred) 36 37 plt.figure(figsize=(12, 6)) 38 plt.subplot(1, 2, 1) 39 plt.title('Deviance') 40 plt.plot(np.arange(params['n_estimators']) + 1, clf.train_score_, 'b-', 41 label='Training Set Deviance') 42 plt.plot(np.arange(params['n_estimators']) + 1, test_score, 'r-', 43 label='Test Set Deviance') 44 plt.legend(loc='upper right') 45 plt.xlabel('Boosting Iterations') 46 plt.ylabel('Deviance') 47 48 ############################################################################### 49 # Plot feature importance 50 feature_importance = clf.feature_importances_ 51 # make importances relative to max importance 52 feature_importance = 100.0 * (feature_importance / feature_importance.max()) 53 sorted_idx = np.argsort(feature_importance) 54 pos = np.arange(sorted_idx.shape[0]) + .5 55 plt.subplot(1, 2, 2) 56 plt.barh(pos, feature_importance[sorted_idx], align='center') 57 plt.yticks(pos, boston.feature_names[sorted_idx]) 58 plt.xlabel('Relative Importance') 59 plt.title('Variable Importance') 60 plt.show()
可以發現,如果要用Gradient Boosting 算法的話,在sklearn包里調用還是非常方便的,幾行代碼即可完成,大部分的工作應該是在特征提取上。
感覺目前做數據挖掘的工作,特征設計是最重要的,據說現在kaggle競賽基本是GBDT的天下,優劣其實還是特征上,感覺做項目也是,不斷的在研究數據中培養對數據的敏感度。
數據挖掘剛剛起步,希望是個好的開頭,待續……