GBM 规则生成 - 编码建议

Posted 2023-03-12

【中文标题】GBM 规则生成 - 编码建议

【英文标题】：GBM Rule Generation - Coding Advice

【发布时间】：2012-03-07 06:07:36

【问题描述】：

我使用 R 包 GBM 作为预测建模的首选。这个算法有很多很棒的东西，但一个“坏”是我不能轻易地使用模型代码来对 R 之外的新数据进行评分。我想编写可以在 SAS 或其他系统中使用的代码（我将从SAS（无法访问 IML））。

假设我有以下数据集（来自 GBM 手册）和模型代码：

library(gbm)
set.seed(1234)
N <- 1000
X1 <- runif(N)
X2 <- 2*runif(N)
X3 <- ordered(sample(letters[1:4],N,replace=TRUE),levels=letters[4:1])
X4 <- factor(sample(letters[1:6],N,replace=TRUE))
X5 <- factor(sample(letters[1:3],N,replace=TRUE))
X6 <- 3*runif(N)
mu <- c(-1,0,1,2)[as.numeric(X3)]
SNR <- 10 # signal-to-noise ratio
Y <- X1**1.5 + 2 * (X2**.5) + mu
sigma <- sqrt(var(Y)/SNR)
Y <- Y + rnorm(N,0,sigma)
# introduce some missing values
#X1[sample(1:N,size=500)] <- NA
X4[sample(1:N,size=300)] <- NA
X3[sample(1:N,size=30)] <- NA
data <- data.frame(Y=Y,X1=X1,X2=X2,X3=X3,X4=X4,X5=X5,X6=X6)
# fit initial model

gbm1 <- gbm(Y~X1+X2+X3+X4+X5+X6, # formula
data=data, # dataset
var.monotone=c(0,0,0,0,0,0), # -1: monotone decrease,
distribution="gaussian", 
n.trees=2, # number of trees
shrinkage=0.005, # shrinkage or learning rate,
# 0.001 to 0.1 usually work
interaction.depth=5, # 1: additive model, 2: two-way interactions, etc.
bag.fraction = 1, # subsampling fraction, 0.5 is probably best
train.fraction = 1, # fraction of data for training,
# first train.fraction*N used for training
n.minobsinnode = 10, # minimum total weight needed in each node
cv.folds = 5, # do 5-fold cross-validation
keep.data=TRUE, # keep a copy of the dataset with the object
verbose=TRUE) # print out progress

现在我可以使用pretty.gbm.tree 来查看单个树

pretty.gbm.tree(gbm1,i.tree = 1)[1:7]

产生

   SplitVar SplitCodePred LeftNode RightNode MissingNode ErrorReduction Weight
0         2  1.5000000000        1         8          15      983.34315   1000
1         1  1.0309565491        2         6           7      190.62220    501
2         2  0.5000000000        3         4           5       75.85130    277
3        -1 -0.0102671518       -1        -1          -1        0.00000    139
4        -1 -0.0050342273       -1        -1          -1        0.00000    138
5        -1 -0.0076601353       -1        -1          -1        0.00000    277
6        -1 -0.0014569934       -1        -1          -1        0.00000    224
7        -1 -0.0048866747       -1        -1          -1        0.00000    501
8         1  0.6015416372        9        10          14      160.97007    469
9        -1  0.0007403551       -1        -1          -1        0.00000    142
10        2  2.5000000000       11        12          13       85.54573    327
11       -1  0.0046278704       -1        -1          -1        0.00000    168
12       -1  0.0097445692       -1        -1          -1        0.00000    159
13       -1  0.0071158065       -1        -1          -1        0.00000    327
14       -1  0.0051854993       -1        -1          -1        0.00000    469
15       -1  0.0005408284       -1        -1          -1        0.00000     30

手册页 18 显示以下内容：

根据手册，第一次拆分发生在第三个变量（在此输出中为零），即gbm1$var.names[3]“X3”。变量是有序因子。

types<-lapply (lapply(data[,gbm1$var.names],class), function(i) ifelse (strsplit(i[1]," ")[1]=="ordered","ordered",i))

types[3]

因此，拆分为 1.5，这意味着值“d 和 c”levels[[3]][1:2.5]（也是从零开始）拆分到左侧节点，而其他 levels[[3]][3:4] 转到右侧。

接下来，规则继续在gbm1$var.names[2] 处进行拆分，如索引为 1 的行中的 SplitVar=1 所示。

有没有人写过任何东西来遍历这个数据结构（对于每棵树），构建规则，例如：

"如果 X3 在 ('d','c') 和 X2

我认为这棵树的第一条规则是这样解读的。

或者对如何最好地做到这一点有任何建议？

【问题讨论】：

我认为 SAS 中的 IML 可以提供解决方案。但是，我在这里不太了解 R。你能更清楚地解释这种模式吗？

嗨 Robbie - 无法访问 IML。寻找数据步骤。我为 pretty.gbm.tree 添加了列内容的描述。

也许你可以看看rattle，它为决策树实现了这样的功能（如Cross Validated 所讨论的）。我没有检查自己这是否适用于 gbm 输出。

你明白了吗？我已经为 party::ctree 和 nnet 开发了从 R 到 SAS 的元编程，我想为 GBM 提供同样的功能。

@B_Miner 如果你还需要这方面的帮助，我这个周末就搞定了一个。它特定于我的用例，但应该很容易编辑。让我知道，我们可以找出一种谨慎的方式来传输文件。

【参考方案1】：

mlmeta 包具有 gbm2sas 函数，可将 GBM 模型从 R 导出到 SAS。

【参考方案2】：

这是一个非常通用的答案，说明如何做到这一点。

添加一些 R 代码以将输出写入文件。 https://stat.ethz.ch/R-manual/R-devel/library/base/html/sink.html

然后通过 SAS，访问执行 R 的能力：http://support.sas.com/documentation/cdl/en/hostunx/61879/HTML/default/viewer.htm#a000303551.htm （您需要知道您的 R 可执行文件在哪里，以便将您在上面编写的 R 代码指向可执行文件）

从那里您应该能够操纵 SAS 中的输出来进行您可能需要的任何评分。

如果只是一次性评分而不是过程，则省略 R 的 SAS 执行，只需开发 SAS 代码来解析 R 输出文件。