梯度提升决策树
决策树
决策树(Decision tree)是基于已知各种情况(特征取值) 的基础上,通过构建 树型决策 结构来进行分析的一种方式,是常用的简单的有监督的分类算法。举个例子就可以清楚的说明模型的预测原理:
例如,我们想判断非诚勿扰女嘉宾给男嘉宾的留灯概率。男嘉宾的属性有 高、富、帅。每个属性我们可以简单地定义为“是”或“否”。我们可能会有下面的决策树:
是否帅
├── 是
│ ├── 是否富
│ │ ├── 是
│ │ │ ├── 是否高
│ │ │ │ ├── 是: 留灯的概率非常高 (90%)
│ │ │ │ └── 否: 留灯的概率高 (80%)
│ │ │ └── 否
│ │ │ ├── 是: 留灯的概率中等 (50%)
│ │ │ └── 否: 留灯的概率低 (30%)
│ │ └── 否
│ │ ├── 是否高
│ │ │ ├── 是: 留灯的概率低 (30%)
│ │ │ └── 否: 留灯的概率非常低 (10%)
│ └── 否
│ ├── 是否富
│ │ ├── 是
│ │ │ ├── 是否高
│ │ │ │ ├── 是: 留灯的概率低 (30%)
│ │ │ │ └── 否: 留灯的概率非常低 (10%)
│ │ │ └── 否
│ │ │ ├── 是: 留灯的概率非常低 (10%)
│ │ │ └── 否: 留灯的概率极低 (5%)
│ │ └── 否
│ │ ├── 是否高
│ │ │ ├── 是: 留灯的概率非常低 (10%)
│ │ │ └── 否: 留灯的概率极低 (5%)
这个例子就是一个典型用决策树解决回归问题。如果最后判断的结果是留灯与否,就是分类问题。决策树既可以用来解决回归问题,又可以用来解决分类问题。当然,这个例子过于简单了。
CART 分类和回归树
CART:假设决策树是二叉树,内部结点特征的取值为「是」和「否」,右分支是取值为「是」的分支,左分支是取值为「否」的分支。这样的决策树等价于「递归地二分每个特征」,将输入空间(特征空间)划分为有限个单元,并在这些单元上确定预测的概率分布,也就是在输入给定的条件下输出的条件概率分布。(上面的例子就是一个最简单的CART)
对于上面的例子,我们不难想到模型的训练方式:
将特征空间(高,富,帅)分成8块,每一块都有一堆男嘉宾以及其是否留灯成功(0,1)。我们要做的就是求每一块留灯成功几率的平均值。
一般的,特征空间的每一个维度不一定是可数的(例如,“高” 其实可以具体为 187 cm ...),留灯成功也可以是留灯数量。但是总体思路差不多,将特征空间分成\(J\)份(\(R_1,R_2...R_j\)),每一份给出的预测结果是相同的,可以用留灯数量的平均值。
对于回归问题,损失函数可以使用统计中介绍的均方差,对于分类问题,损失函数可以使用统计中介绍的基尼系数。但是CART算法一般都用来做分类问题。
[!NOTE] 网络上很多文章一边用基尼系数作为损失函数,后面又在求解均方差的最优化问题。看的人云里雾里。
如何让损失函数最小?很容易想到的就是有X个男嘉宾就将空间分成X份,损失函数就是0了。所以决策树很容易过拟合,在解决最优化问题之后,后续还有剪枝步骤。这里不做介绍。
另外,决策树的参数个数(即树到底用几个中间节点分割空间)是不确定的,所以在求解最优化问题上的方法可能不那么直观。
Boosting
Boosting 是机器学习中一种集成学习(Ensemble Learning)技术,其核心思想是通过组合多个较弱的学习器(弱分类器或弱学习算法,称为基模型)来创建一个更强的学习器(强分类器)。例如,基模型为\(y=f(x)\),boosting的模型就是迭代多轮之后相加得到的模型\(y=\sum_{m=1}^M f_m(x)\),其中\(f_m\)就是每一轮训练得到的基模型。
梯度提升(Gradient Boosting)就是以梯度下降的思想为基础,每次迭代都在当前模型的残差方向上构建一个新的弱学习器。不妨让损失函数为均方误差,具体的说
第M轮的损失函数为
\(w\)是所有的参数。其中\(\hat y_i - \sum_{m=1}^{M-1}f_m(x_i)\)即残差,记做\(r_i\),那么第M轮的最优化目标就是让下面的公式最小,即预测值接近残差。
这里是针对损失函数为均方误差的情况。对于更一般的损失函数呢?GBDT规定,利用损失函数的负梯度在当前模型的值作为残差的近似值,即
GBDT 梯度提升决策树
梯度提升决策树(Gradient Boosting Decision Tree),是一种迭代的决策树算法,就是之前介绍的 梯度提升+CART决策树 的组合。
Demo:
# Example code for GBDT algorithm
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_squared_error, r2_score
import matplotlib.pyplot as plt
# 1. Generate sample data
def generate_sample_data(n_samples=1000):
np.random.seed(42)
X = np.random.rand(n_samples, 3) * 10 # Generate 3 features
# Create a target variable with a nonlinear relationship
y = (X[:, 0] ** 2) +100* np.sin(X[:, 1]) +100* np.log(X[:, 2] + 1) + np.random.normal(0, 0.1, n_samples)
return X, y
# 2. Data preprocessing and splitting
X, y = generate_sample_data()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 3. Create and train GBDT model
gbdt = GradientBoostingRegressor(
n_estimators=100, # Number of decision trees
learning_rate=0.1, # Learning rate
max_depth=3, # Maximum depth of the tree
min_samples_split=5, # Minimum number of samples required to split an internal node
min_samples_leaf=3, # Minimum number of samples required to be at a leaf node
subsample=0.8, # Fraction of samples used for fitting the individual learners
random_state=42
)
# Train the model
gbdt.fit(X_train, y_train)
# 4. Model evaluation
y_pred_train = gbdt.predict(X_train)
y_pred_test = gbdt.predict(X_test)
# Calculate evaluation metrics for training and test sets
train_mse = mean_squared_error(y_train, y_pred_train)
test_mse = mean_squared_error(y_test, y_pred_test)
train_r2 = r2_score(y_train, y_pred_train)
test_r2 = r2_score(y_test, y_pred_test)
print(f'Training set MSE: {train_mse:.4f}')
print(f'Test set MSE: {test_mse:.4f}')
print(f'Training set R2: {train_r2:.4f}')
print(f'Test set R2: {test_r2:.4f}')
# 5. Feature importance analysis
feature_importance = pd.DataFrame({
'Feature': [f'Feature {i+1}' for i in range(X.shape[1])],
'Importance': gbdt.feature_importances_
})
feature_importance = feature_importance.sort_values('Importance', ascending=False)
print("\nFeature Importance:")
print(feature_importance)
# 6. Plot learning curve
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(gbdt.train_score_, label='Training set score')
plt.xlabel('Iterations')
plt.ylabel('Loss')
plt.title('Learning Curve')
plt.legend()
# 7. Plot predicted vs actual values
plt.subplot(1, 2, 2)
plt.scatter(y_test, y_pred_test, alpha=0.5)
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r--', lw=2)
plt.xlabel('Actual values')
plt.ylabel('Predicted values')
plt.title('Predicted vs Actual')
plt.tight_layout()
plt.show()
# 8. Example of model prediction
def predict_example():
# Generate a new sample
new_sample = np.array([[5.0, 2.0, 3.0]])
prediction = gbdt.predict(new_sample)
print(f'\nPrediction for new sample: {prediction[0]:.4f}')
predict_example()
缺点和优点
- 处理非线性问题的能力有限:决策树通过顺序地检查字段值是否满足某种条件来做决策,这种分割方式不适合处理具有高度非线性关系的数据。假设一个长方体有属性长、宽、高,我们想用决策树训练出可以 判断长方体体积是否大于100 cm3 的模型。显然,如果我们使用 长*宽*高 这个属性,可以较好解决问题,但是使用长、宽、高三个属性,决策树就无法解决问题。如果问题的影响因素过于复杂,可以使用神经网络。
- 决策树很容易过拟合。
- 决策树有非常好的可解释性。