GBDT演算法用於分類問題

GBDT演算法概述

GBDT是boosting演算法的一種，按照boosting的思想，在GBDT演算法的每一步，用一棵決策樹去擬合當前學習器的殘差，獲得一個新的弱學習器。將這每一步的決策樹組合起來，就得到了一個強學習器。

具體來說，假設有訓練樣本 ，第m-1步獲得的集成學習器為 ，那麼GBDT通過下面的遞推式，獲得一個新的弱學習器 ：

其中 是在函數空間 上最小化損失函數，一般來說這是比較難以做到的。但是，如果我們只考慮精確地擬合訓練數據的話，可以將損失函數 看作向量 上的函數。這樣在第m-1輪迭代之後，向量位於 ，如果我們想進一步減小損失函數，則根據梯度下降法，向量移動的方嚮應為損失函數的負梯度方向，即：

這樣如果使用訓練集： 去訓練一棵樹的話，就相當於朝著損失函數減小的方向又走了一步（當然在實際應用中需要shrinkage，也就是考慮學習率）。由此可見，GBDT在本質上還是梯度下降法，每一步通過學習一棵擬合負梯度（也就是所謂「殘差」）的樹，來使損失函數逐漸減小。

GBDT用於分類問題

將GBDT應用於回歸問題，相對來說比較容易理解。因為回歸問題的損失函數一般為平方差損失函數，這時的殘差，恰好等於預測值與實際值之間的差值。每次拿一棵決策樹去擬合這個差值，使得殘差越來越小，這個過程還是比較intuitive的。而將GBDT用於分類問題，則顯得不那麼顯而易見。下面我們就通過一個簡單的二分類問題，去看看GBDT究竟是如何學習到一棵樹的。

類似於邏輯回歸、FM模型用於分類問題，其實是在用一個線性模型或者包含交叉項的非線性模型，去擬合所謂的對數幾率 。而GBDT也是一樣，只是用一系列的梯度提升樹去擬合這個對數幾率，實際上最終得到的是一系列CART回歸樹。其分類模型可以表達為：

其中 就是學習到的決策樹。

清楚了這一點之後，我們便可以參考邏輯回歸，單樣本 的損失函數可以表達為交叉熵：

假設第k步迭代之後當前學習器為 ，將 的表達式帶入之後， 可將損失函數寫為：

可以求得損失函數相對於當前學習器的負梯度為：

可以看到，同回歸問題很類似，下一棵決策樹的訓練樣本為： ，其所需要擬合的殘差為真實標籤與預測概率之差。於是便有下面GBDT應用於二分類的演算法：

• ，其中 是訓練樣本中y=1的比例，利用先驗信息來初始化學習器
• For ：
• 計算 ，並使用訓練集 訓練一棵回歸樹 ，其中
• 通過一維最小化損失函數找到樹的最優權重：
• 考慮shrinkage，可得這一輪迭代之後的學習器 ， 為學習率
• 得到最終學習器為：

以上就是將GBDT應用於二分類問題的演算法流程。類似地，對於多分類問題，則需要考慮以下softmax模型：

其中 是 個不同的tree ensemble。每一輪的訓練實際上是訓練了 棵樹去擬合softmax的每一個分支模型的負梯度。softmax模型的單樣本損失函數為：

這裡的 是樣本label在k個類別上作one-hot編碼之後的取值，只有一維為1，其餘都是0。由以上表達式不難推導：

可見，這k棵樹同樣是擬合了樣本的真實標籤與預測概率之差，與二分類的過程非常類似。

推薦閱讀：

相關文章