機(jī)器學(xué)習(xí)12 提升樹(shù)模型與梯度提升

這一篇繼續(xù)boosting荆隘,介紹一下提升樹(shù)算法恩伺, 提升樹(shù)以決策樹(shù)為基模型, 依然是加法模型椰拒,優(yōu)化算法是前向分步算法晶渠。

針對(duì)分類問(wèn)題, 決策樹(shù)是二叉分類樹(shù)燃观, 回歸問(wèn)題則是二叉回歸樹(shù)褒脯。

第m步之后的模型, 是f_m(x) = f_{m-1}(x) +T(x;\Theta_m)

f_{m-1}(x)是m步學(xué)習(xí)之前的模型缆毁,通過(guò)極小化損失函數(shù)番川,得到第m棵決策樹(shù)的參數(shù)\Theta_m

\hat \Theta_m = \mathop{argmin}_{\Theta_m}\sum_{i=1}^NL(y_i,f_{m-1}(x_i)+T(x_i;\Theta_m))

針對(duì)不同的問(wèn)題,區(qū)別在于損失函數(shù)的不同脊框, 回歸問(wèn)題采用的是平方誤差颁督, 分類問(wèn)題是指數(shù)損失誤差

當(dāng)處理二分類問(wèn)題的時(shí)候, 提升樹(shù)模型浇雹,等價(jià)于基模型為二叉決策樹(shù)的AdaBoost算法沉御。因此這邊不再做詳細(xì)的介紹

因此這一篇我們主要介紹一下回歸問(wèn)題中的提升樹(shù)

T(x;\Theta) = \sum_{j=1}^J c_j1(x\in R_j)

參數(shù)\Theta = \{(R_1,c_1), (R_2,c_2),(R_3,c_3),...,(R_j,c_j)\}表示樹(shù)的區(qū)域劃分和每個(gè)區(qū)域的輸出值昭灵, J就是葉子結(jié)點(diǎn)的個(gè)數(shù)嚷节。

這個(gè)問(wèn)題的前向分部算法可以表示為:

f_0(x) = 0

f_m(x) = f_{m-1}(x) + T(x;\Theta_m), m = 1,2,...,M

f_M(x) = \sum_{m=1}^MT(x;\Theta_m)

第m步時(shí), 只需要求解

\hat \Theta_m = \mathop{argmin}_{\Theta_m}\sum_{i=1}^NL(y_i,f_{m-1}(x_i)+T(x_i;\Theta_m))

采用平方誤差虎锚,?L(y,f(x)) = (y - f(x))^2

L(y,f_{m-1}(x) +T(x;\Theta_m)) = [y - f_{m-1}(x) - T(x;\Theta_m)]^2 = [r - T(x;\Theta_m)]^2

r = y - f_{m-1}(x), 即第m-1次學(xué)習(xí)后模型的擬合殘差硫痰。所以對(duì)于第m次學(xué)習(xí), 只需要擬合當(dāng)前模型的殘差即可窜护。

如果理解了前一篇效斑, 這一篇的提升樹(shù)理解起來(lái)應(yīng)該比較容易。


但是提升樹(shù)也有局限性柱徙,當(dāng)損失函數(shù)是平方損失或是指數(shù)損失的時(shí)候缓屠,前向分步算法去優(yōu)化每一步是比較簡(jiǎn)單的(上一篇與這一篇分別解決了其中一類)奇昙。但是對(duì)于一般的損失函數(shù),可能不容易優(yōu)化敌完,這就有了梯度提升算法储耐。每一次學(xué)習(xí),都是在擬合損失函數(shù)的負(fù)梯度滨溉, 只要損失函數(shù)梯度存在什湘,就可以優(yōu)化了,因此更具有普適性晦攒。下一篇闽撤,我們將會(huì)仔細(xì)介紹梯度提升樹(shù)算法GBDT,希望大家可以跟我一樣脯颜,認(rèn)識(shí)到模型是一步步演變進(jìn)化的過(guò)程哟旗。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市栋操,隨后出現(xiàn)的幾起案子闸餐,更是在濱河造成了極大的恐慌,老刑警劉巖矾芙,帶你破解...
    沈念sama閱讀 216,470評(píng)論 6 501
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件舍沙,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡蠕啄,警方通過(guò)查閱死者的電腦和手機(jī)场勤,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,393評(píng)論 3 392
  • 文/潘曉璐 我一進(jìn)店門戈锻,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)歼跟,“玉大人,你說(shuō)我怎么就攤上這事格遭」郑” “怎么了?”我有些...
    開(kāi)封第一講書人閱讀 162,577評(píng)論 0 353
  • 文/不壞的土叔 我叫張陵拒迅,是天一觀的道長(zhǎng)骚秦。 經(jīng)常有香客問(wèn)我,道長(zhǎng)璧微,這世上最難降的妖魔是什么作箍? 我笑而不...
    開(kāi)封第一講書人閱讀 58,176評(píng)論 1 292
  • 正文 為了忘掉前任,我火速辦了婚禮前硫,結(jié)果婚禮上胞得,老公的妹妹穿的比我還像新娘。我一直安慰自己屹电,他們只是感情好阶剑,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,189評(píng)論 6 388
  • 文/花漫 我一把揭開(kāi)白布跃巡。 她就那樣靜靜地躺著,像睡著了一般牧愁。 火紅的嫁衣襯著肌膚如雪素邪。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書人閱讀 51,155評(píng)論 1 299
  • 那天猪半,我揣著相機(jī)與錄音兔朦,去河邊找鬼。 笑死办龄,一個(gè)胖子當(dāng)著我的面吹牛烘绽,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播俐填,決...
    沈念sama閱讀 40,041評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼安接,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了英融?” 一聲冷哼從身側(cè)響起盏檐,我...
    開(kāi)封第一講書人閱讀 38,903評(píng)論 0 274
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎驶悟,沒(méi)想到半個(gè)月后胡野,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,319評(píng)論 1 310
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡痕鳍,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,539評(píng)論 2 332
  • 正文 我和宋清朗相戀三年硫豆,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片笼呆。...
    茶點(diǎn)故事閱讀 39,703評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡熊响,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出诗赌,到底是詐尸還是另有隱情汗茄,我是刑警寧澤,帶...
    沈念sama閱讀 35,417評(píng)論 5 343
  • 正文 年R本政府宣布铭若,位于F島的核電站洪碳,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏叼屠。R本人自食惡果不足惜瞳腌,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,013評(píng)論 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望镜雨。 院中可真熱鬧嫂侍,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開(kāi)封第一講書人閱讀 31,664評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)。三九已至痹栖,卻和暖如春亿汞,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背揪阿。 一陣腳步聲響...
    開(kāi)封第一講書人閱讀 32,818評(píng)論 1 269
  • 我被黑心中介騙來(lái)泰國(guó)打工疗我, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人南捂。 一個(gè)月前我還...
    沈念sama閱讀 47,711評(píng)論 2 368
  • 正文 我出身青樓吴裤,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親溺健。 傳聞我的和親對(duì)象是個(gè)殘疾皇子麦牺,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,601評(píng)論 2 353