技术干货 XGBoost原理解析

作者简介

刘英涛:达观数据推荐算法工程师,负责达观数据个性化推荐系统的研发与优化。

XGBoost的全称是 eXtremeGradient Boosting,2014年2月诞生的专注于梯度提升算法的机器学习函数库,作者为华盛顿大学研究机器学习的大牛——陈天奇。他在研究中深深的体会到现有库的计算速度和精度问题,为此而着手搭建完成 xgboost 项目。xgboost问世后,因其优良的学习效果以及高效的训练速度而获得广泛的关注,并在各种算法大赛上大放光彩。

1.CART

CART(回归树, regressiontree)是xgboost最基本的组成部分。其根据训练特征及训练数据构建分类树,判定每条数据的预测结果。其中构建树使用gini指数计算增益,即进行构建树的特征选取,gini指数公式如式(1), gini指数计算增益公式如式(2):

表示数据集中类别的概率,表示类别个数。

注:此处图的表示分类类别。

D表示整个数据集,和分别表示数据集中特征为的数据集和特征非的数据集,表示特征为的数据集的gini指数。

以是否打网球为例(只是举个栗子):

其中,最小,所以构造树首先使用温度适中。然后分别在左右子树中查找构造树的下一个条件。

本例中,使用温度适中拆分后,是子树刚好类别全为是,即温度适中时去打网球的概率为1。

2.Boostingtree

一个CART往往过于简单,并不能有效地做出预测,为此,采用更进一步的模型boosting tree,利用多棵树来进行组合预测。具体算法如下:

输入:训练集

输出:提升树

步骤:

(1)初始化

(2) 对m=1,2,3……M

a)计算残差

b)拟合残差学习一个回归树,得到

c)更新

(3)得到回归提升树:

例子详见后面代码部分。

3.xgboost

首先,定义一个目标函数:

constant为一个常数,正则项如下,

其中,T表示叶子节点数,表示第j个叶子节点的权重。

例如下图,叶子节点数为3,每个叶子节点的权重分别为2,0.1,-1,正则项计算见图:

利用泰勒展开式,对式(3)进行展开:

其中,表示对的一阶导数,表示对的二阶导数。

为真实值与前一个函数计算所得残差是已知的(我们都是在已知前一个树的情况下计算下一颗树的),同时,在同一个叶子节点上的数的函数值是相同的,可以做合并,于是:

通过对求导等于0,可以得到

将带入得目标函数的简化公式如下:

目标函数简化后,可以看到xgboost的目标函数是可以自定义的,计算时只是用到了它的一阶导和二阶导。得到简化公式后,下一步针对选择的特征计算其所带来的增益,从而选取合适的分裂特征。

提升树例子代码:

# !/usr/bin/env python

# -*- coding: utf-8 -*-

# 目标函数为真实值与预测值的差的平方和

import math

# 数据集,只包含两列

test_list = [[1,5.56], [2,5.7], [3,5.81], [4,6.4], [5,6.8],\

[6,7.05], [7,7.9], [8,8.7], [9,9],[10,9.05]]

step = 1 #eta

# 起始拆分点

init = 1.5

# 最大拆分次数

max_times = 10

# 允许的最大误差

threshold = 1.0e-3

def train_loss(t_list):

sum = 0

for fea in t_list:

sum += fea[1]

avg = sum * 1.0 /len(t_list)

sum_pow = 0

for fea in t_list:

sum_pow =math.pow((fea[1]-avg), 2)

return sum_pow, avg

def boosting(data_list):

ret_dict = {}

split_num = init

while split_num

pos = 0

for idx, data inenumerate(data_list):

if data[0]> split_num:

pos = idx

break

if pos > 0:

l_train_loss,l_avg = train_loss(data_list[:pos])

r_train_loss,r_avg = train_loss(data_list[pos:])

ret_dict[split_num] = [pos,l_train_loss+r_train_loss, l_avg, r_avg]

split_num += step

return ret_dict

def main():

ret_list = []

data_list =sorted(test_list, key=lambda x:x[0])

time_num = 0

while True:

time_num += 1

print 'beforesplit:',data_list

ret_dict =boosting(data_list)

t_list =sorted(ret_dict.items(), key=lambda x:x[1][1])

print 'splitnode:',t_list[0]

ret_list.append([t_list[0][0], t_list[0][1][1]])

if ret_list[-1][1]< threshold or time_num > max_times:

break

for idx, data inenumerate(data_list):

if idx

data[1] -=t_list[0][1][2]

else:

data[1] -=t_list[0][1][3]

print 'after split:',data_list

print 'split node andloss:'

print'\n'.join(["%s\t%s" %(str(data[0]), str(data[1])) for data inret_list])

if __name__ == '__main__':

main()

本文来自企鹅号 - 达观数据媒体

发表于

我来说两句

2 条评论
登录 后参与评论

相关文章

来自专栏算法channel

机器学习|kaggle数据挖掘和求解的基本步骤

01 — 数据探索(Exploratory Data Analysis) 对数据进行探索性的分析,通常会用 pandas 来载入数据,并做一些简单的可视化来理解...

2876
来自专栏CSDN技术头条

逻辑回归 vs 决策树 vs 支持向量机(II)

本文是该系列的第二篇,第一篇参见: 逻辑回归 Vs 决策树 Vs 支持向量机: Part I. 在这篇文章,我们将讨论如何在逻辑回归、决策树和SVM之间做出最佳...

1826
来自专栏人工智能LeadAI

理工男的文科梦 —— LSTM深度学习写春联

笔者作为一名根正苗红的理工男,内心却常常有很多文艺青年才会有的想法,例如写首诗、做首词,甚至包括春节写副对联,空有一番愿望却胸无点墨。随着对机器学习和深度学习的...

4274
来自专栏PPV课数据科学社区

如何选择Microsoft Azure机器学习算法

编者按:机器学习的算法很多,如何选择一直是初学者的一个痛点。本文给出了机器学习算法选择的方法和实例,不仅适用于Microsoft Azure框架,同样可以应用于...

3366
来自专栏AI科技大本营的专栏

干货 | 深度详解ResNet及其六大变体

编译 | 图普科技 本文由图普科技工程师编译自《An Overview of ResNet and its Variants》。 从AlexNet[1]在201...

3396
来自专栏量子位

一文看懂迁移学习:怎样用预训练模型搞定深度学习?

瀚宸 编译自 Analytics Vidhya 量子位 出品 | 公众号 QbitAI 引言 跟传统的监督式机器学习算法相比,深度神经网络目前最大的劣势是什么?...

3485
来自专栏数据科学与人工智能

【机器学习】机器学习实践中的7种常见错误

本文作者是 Codecademy 的分析主管 Cheng-TaoChu,其专长是数据挖掘和机器学习,之前在 Google、LinkedIn和Square就职。 ...

2437
来自专栏新智元

CVPR清华大学研究,高效视觉目标检测框架RON

【新智元导读】当前最好的基于深度网络的目标检测框架可以分为两个主要方法流派:基于区域的方法(region-based)和不基于区域(region-free)的方...

3667
来自专栏专知

【干货】Batch Normalization: 如何更快地训练深度神经网络

【导读】本文是谷歌机器学习工程师 Chris Rawles 撰写的一篇技术博文,探讨了如何在 TensorFlow 和 tf.keras 上利用 Batch N...

1.3K8
来自专栏人工智能

向量自回归简介

通常,我们试图分析大量的数据来找到有用的信息或预测未来的事件。数据集中最重要的类型之一是时间序列。时间序列表示按时间顺序索引的一系列数据点。有很多模型来分析这种...

3660

扫码关注云+社区