梯度提升决策树（Gradient Boosting Decision Trees，GBDT）

梯度提升决策树（Gradient Boosting Decision Trees，GBDT）

​ 提升树是以分类树或回归树为基本分类器的提升方法。 提升树被认为是统计学习 中性能最好的方法之一。

​ 提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法。 以决策树为基函数的提升方法称为提升树 （boosting tree）。 对分类问题决策树是二叉分类树， 对回归问题决策树是二叉回归树。

---------------------------------------------------------------------------------------------------------------------------------------

输入：线性可分训练数据集$T=\{(x_1,y_1),(x_2,y_2),\dots ,(x_N,y_N)\}$

​ 其中，$x_i\in X=R^n,y_i\in Y,i=1,2,\dots ,N$；弱学习算法

输出：提升树$f_M(x)$

优化问题：

​ 不同问题的提升树学习算法，其主要区别在于使用的损失函数不同。回归问题：平方误差损失函数；分类问题：指数损失函数。

​ $f_{m-1}(x)$ 为当前模型，通过经验风险极小化确定下一颗决策树的参数${\Theta }_m$ ：
$$\begin{gathered} {\hat{\Theta }}_m=arg\underset{{\Theta }_m}{\min }\sum _{i=1}^{N}L(y_i,f_m(x)) \\ \to {\hat{\Theta }}_m=arg\underset{{\Theta }_m}{\min }\sum _{i=1}^{N}L(y_i,f_{m-1}(x_i)+T(x;{\Theta }_m)) \end{gathered}$$
回归问题：
$$\begin{gathered} {\hat{\Theta }}_m=arg\underset{{\Theta }_m}{\min }\sum _{i=1}^N(y_i-f_m(x){)}^2 \\ \to {\hat{\Theta }}_m=arg\underset{{\Theta }_m}{\min }\sum _{i=1}^N(y_i-f_{m-1}(x)-T(x;{\Theta }_m){)}^2 \\ \to {\hat{\Theta }}_m=arg\underset{{\Theta }_m}{\min }\sum _{i=1}^N(r-T(x;{\Theta }_m){)}^2,r=y-f_{m-1}(x) \end{gathered}$$

分类问题：
$$\begin{gathered} {\hat{\Theta }}_m=arg\underset{{\Theta }_m}{\min }\sum _{i=1}^{N}exp(-y_i{f}_m(x)) \\ \to {\hat{\Theta }}_m=arg\underset{{\Theta }_m}{\min }\sum _{i=1}^{N}exp[-y_i(f_{m-1}(x)+T(x;{\Theta }_m))] \end{gathered}$$
---------------------------------------------------------------------------------------------------------------------------------------

​ 提升树模型可以表示为决策树的加法模型：
$$f_M(x)=\sum _{m=1}^{M}T(x;{\Theta }_m)$$
其中，$T(x;{\Theta }_m)$表示决策树，${\Theta }_m$为决策树的参数，M为树的个数。

​ 首先确定初始提升树$f_0(x)=0$，第m步的模型是：
$$f_m(x)=f_{m-1}(x)+T(x;{\Theta }_m)$$

回归问题的提升树

​ 已知一个训练数据集$T=\{(x_1,y_1),(x_2,y_2),\dots ,(x_N,y_N)\}$其中，$x_i\in X=R^n,y_i\in Y,i=1,2,\dots ,N$；X 为输入空间，Y 为输出空间。

​ 如果将输入空间划分为J 个互不相交的区域$R_1,R_2,...,R_J$ ，并且在每个区域上确定输出的常量$c_j$ ，那么树可以表示为：
$$T(x;\Theta )=\sum _{j=1}^J{c}_{j}I(x\in R_j)$$
其中，参数$\Theta =\{(R_1,c_1),(R_2,c_2),...,(R_J,c_J)\}$ 表示树的区域划分和各个区域上的常数。J 是回归树的复杂度即叶节点个数。

回归问题的前向分布算法

$$\begin{gathered} f_0(x)=0 \\ {f}_m(x)=f_{m-1}(x)+T(x;{\Theta }_m),m=1,2,...,M \\ {f}_M(x)=\sum _{m=1}^{M}T(x;{\Theta }_m) \end{gathered}$$

第m步时，当前模型是$f_{m-1}(x)$ ，要求解以下的式子（回归问题采用均方误差损失函数）得到${\hat{\Theta }}_m$：
$$\begin{gathered} {\hat{\Theta }}_m=arg\underset{{\Theta }_m}{\min }\sum _{i=1}^N(y_i-f_m(x){)}^2 \\ \to {\hat{\Theta }}_m=arg\underset{{\Theta }_m}{\min }\sum _{i=1}^N(y_i-f_{m-1}(x)-T(x;{\Theta }_m){)}^2 \\ \to {\hat{\Theta }}_m=arg\underset{{\Theta }_m}{\min }\sum _{i=1}^N(r-T(x;{\Theta }_m){)}^2,r=y-f_{m-1}(x) \end{gathered}$$
算法流程：

输入：线性可分训练数据集$T=\{(x_1,y_1),(x_2,y_2),\dots ,(x_N,y_N)\}$

​ 其中，$x_i\in X=R^n,y_i\in Y,i=1,2,\dots ,N$；弱学习算法

输出：提升树$f_M(x)$

（1）初始化$f_0(x)=0$。

（2）对m=1，2，…，M。

​ （a）按照$T(x;\Theta )={\sum }_{j=1}^J{c}_{j}I(x\in R_j)$计算残差：
$$r_{mi}=y_i-f_{m-1}(x_i),i=1,2,...,N$$
​ （b）拟合残差$r_{mi}$学习一个回归树，得到$T(x;{\Theta }_m)$

​ （c）更新$f_m(x)=f_{m-1}(x)+T(x;{\Theta }_m)$

（3）得到回归问题的提升树
$$f_M(x)=\sum _{m=1}^{M}T(x;{\Theta }_m)$$

梯度提升

​ 提升树算法利用加法模型与前向分布算法实现学习的优化过程。当损失函数时平方损失和指数损失函数的时候，每一步的优化时很简单的。但是对于一般损失函数而言，往往每一步优化都不是容易的。

​ 其关键是利用损失函数的负梯度在当前模型的值
$$-[\frac{\partial L(y,f(x_i))}{\partial f(x_i)}{]}_{f(x)=f_{m-1}(x)}$$
作为回归问题提升树算法中的残差的近似值，拟合一个回归树。

算法流程：

输入：线性可分训练数据集$T=\{(x_1,y_1),(x_2,y_2),\dots ,(x_N,y_N)\}$

​ 其中，$x_i\in X=R^n,y_i\in Y,i=1,2,\dots ,N$；损失函数$L(y,f(x))$ ;

输出：提升树$\hat{f}(x)$

（1）初始化$f_0(x)=arg\underset{c}{\min }{\sum }_{i=1}^{N}L(y_i,c)$。

（2）对m=1，2，…，M。

​ （a）对i=1，2，…，N，计算：
$$r_{mi}=-[\frac{\partial L(y,f(x_i))}{\partial f(x_i)}{]}_{f(x)=f_{m-1}(x)}$$
​ （b）拟合残差$r_{mi}$学习一个回归树，得到第m颗树的叶节点区域$R_{mj},j=1,2,...,J$

​ （c）对j=1，2，…，J，计算
$$c_{mj}=arg\underset{c}{\min }\sum _{x_i\in R_{mj}}L(y_i,f_{m-1}(x_i)+c)$$
​ （d）更新$f_m(x)=f_{m-1}(x)+{\sum }_{j=1}^J{c}_{mj}I(x\in R_{mj})$

（3）得到回归树
$$\hat{f}(x)=f_M(x)=\sum _{m=1}^M\sum _{j=1}^J{c}_{mj}I(x\in R_{mj})$$

原文地址：https://blog.csdn.net/Gaowang_1/article/details/135479070

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！