深度理解梯度提升树GBDT

2024-06-02 09:08
文章标签 深度 理解 提升 梯度 gbdt

本文主要是介绍深度理解梯度提升树GBDT,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1.什么是提升树?

     提升树核心思想是使用残差使损失函数最小,每一次使用树模型拟合残差。最终预测值y是M个树模型的累加和

提升树模型如下

f_{M}(x)=\sum_{m=1}^{M}T(x;\theta _{m})

T(x;\theta_{m})  是决策时,\theta _{m}是决策树的参数,M是决策树的个数

 提升树通用算法过程如下:

输入:(x_{i},y_{i})  i=1...N 样本数据,L(y,f(x)) 损失函数

输出:提升树f_{M}(x)

算法流程

1.初始化 f_{0}(x)=0

2.对m=1,2...M (遍历M个提升树)

          2.1 计算残差   r_{mi}=y_{i}-f_{m-1}(x_{i})

          2.2  使用基学习器T(x;\theta _{m})拟合参数r_{mi},训练集为(x_{i},r_{mi})  i=1...N

          2.3  更新模型  f_{m}(x)=f_{m-1}(x)+T(x;\theta _{m})

3.得到最终的强学习器

  f_{M}(x)=\sum_{m=1}^{M}T(x;\theta _{m})

2.什么是GBDT?

    GBDT是一种提升树模型,基学习器采用决策树,使用boosting思想+一阶梯度下降 的方法。GBDT公式模型

     GBDT=决策树+boosting思想+一阶梯度下降(gradient)

     boosting思想是基模型是有序的,上一个基模型的输出是下一个及模型的输入。第M个树模型的预测值是真实值与前m-1个树模型的残差。 一阶梯度下降是残差的计算使用负梯度值拟合残差

GBDT模型是采用M个模型的线性组合,模型公式如下

f_{M}(x)=\sum_{m=1}^{M}\gamma _{m}T(x;\theta _{m})

首先确定初始模型,定义初始基学习器f_{0}(x),当模型得带到第m步时:

f_{m}(x)=f_{m-1}(x)+\gamma _{m }T(x;\theta _{m})

通过最小化损失函数来确定参数\theta _{m}

 arg min_{\theta_{m} }\sum_{i}^{}L(y_{i},f_{m-1}(x)+\gamma _{m }T(x;\theta _{m})))

Gradient Boosting方法的两种理解,从优化的角度采用梯度下降算法,T表示负梯度方向,\gamma _{m}为步长。从模型角度理解为一阶多项式展开f_{m-1}(x)+\gamma _{m }T(x;\theta _{m}),而T表示一阶信息,\gamma _{m}是系数

gradient boosting的算法流程

 输入:(x_{i},y_{i})  i=1...N 样本数据,L(y,f(x)) 损失函数

输出:提升树f_{M}(x)

1.初始化 f_{0}(x)=0

2.对m=1,2...M (遍历M个提升树)

          2.1 计算残差   r_{mi}=y_{i}-f_{m-1}(x_{i})

          2.2  使用基学习器T(x;\theta _{m})拟合参数r_{mi},训练集为(x_{i},r_{mi})  i=1...N

          2.3  根据梯度下降算法,计算学习器\gamma _{m}

                 arg min_{\gamma {m} }\sum_{i}^{}L(y_{i},f_{m-1}(x)+\gamma _{m }T(x;\theta _{m})))

          2.4  更新模型  f_{m}(x)=f_{m-1}(x)+\gamma _{m}T(x;\theta _{m})

3.得到最终的强学习器

  f_{M}(x)=\sum_{m=1}^{M}\gamma _{m}T(x;\theta _{m})

参考

1.【机器学习】GBDT

这篇关于深度理解梯度提升树GBDT的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1023539

相关文章

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

《最新SpringSecurity实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)》本章节介绍了如何通过SpringSecurity实现从配置自定义登录页面、表单登录处理逻辑的配置,并简单模拟... 目录前言改造准备开始登录页改造自定义用户名密码登陆成功失败跳转问题自定义登出前后端分离适配方案结语前言

Redis 内存淘汰策略深度解析(最新推荐)

《Redis内存淘汰策略深度解析(最新推荐)》本文详细探讨了Redis的内存淘汰策略、实现原理、适用场景及最佳实践,介绍了八种内存淘汰策略,包括noeviction、LRU、LFU、TTL、Rand... 目录一、 内存淘汰策略概述二、内存淘汰策略详解2.1 ​noeviction(不淘汰)​2.2 ​LR

Python与DeepSeek的深度融合实战

《Python与DeepSeek的深度融合实战》Python作为最受欢迎的编程语言之一,以其简洁易读的语法、丰富的库和广泛的应用场景,成为了无数开发者的首选,而DeepSeek,作为人工智能领域的新星... 目录一、python与DeepSeek的结合优势二、模型训练1. 数据准备2. 模型架构与参数设置3

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

最长公共子序列问题的深度分析与Java实现方式

《最长公共子序列问题的深度分析与Java实现方式》本文详细介绍了最长公共子序列(LCS)问题,包括其概念、暴力解法、动态规划解法,并提供了Java代码实现,暴力解法虽然简单,但在大数据处理中效率较低,... 目录最长公共子序列问题概述问题理解与示例分析暴力解法思路与示例代码动态规划解法DP 表的构建与意义动

深入理解Apache Airflow 调度器(最新推荐)

《深入理解ApacheAirflow调度器(最新推荐)》ApacheAirflow调度器是数据管道管理系统的关键组件,负责编排dag中任务的执行,通过理解调度器的角色和工作方式,正确配置调度器,并... 目录什么是Airflow 调度器?Airflow 调度器工作机制配置Airflow调度器调优及优化建议最

使用DeepSeek API 结合VSCode提升开发效率

《使用DeepSeekAPI结合VSCode提升开发效率》:本文主要介绍DeepSeekAPI与VisualStudioCode(VSCode)结合使用,以提升软件开发效率,具有一定的参考价值... 目录引言准备工作安装必要的 VSCode 扩展配置 DeepSeek API1. 创建 API 请求文件2.

Go中sync.Once源码的深度讲解

《Go中sync.Once源码的深度讲解》sync.Once是Go语言标准库中的一个同步原语,用于确保某个操作只执行一次,本文将从源码出发为大家详细介绍一下sync.Once的具体使用,x希望对大家有... 目录概念简单示例源码解读总结概念sync.Once是Go语言标准库中的一个同步原语,用于确保某个操