xgboost是回归还是分类

Posted 2023-03-18

很多，主要说下监督学习这块的算法哈。欢迎讨论。
svm，支撑向量机，通过找到样本空间中的一个超平面，实现样本的分类，也可以作回归，主要用在文本分类，图像识别等领域，详见：；
lr，逻辑回归，本质也是线性回归，通过拟合拟合样本的某个曲线，然后使用逻辑函数进行区间缩放，但是一般用来分类，主要用在ctr预估、等；
nn，神经网络，通过找到某种非线性模型拟合数据，主要用在图像等；
nb，朴素贝叶斯，通过找到样本所属于的联合分步，然后通过贝叶斯公式，计算样本的后验概率，从而进行分类，主要用来文本分类；
dt，决策树，构建一棵树，在节点按照某种规则（一般使用信息熵）来进行样本划分，实质是在样本空间进行块状的划分，主要用来分类，也有做回归，但更多的是作为弱分类器，用在model embedding中；
rf，随进森林，是由许多决策树构成的森林，每个森林中训练的样本是从整体样本中抽样得到，每个节点需要进行划分的特征也是抽样得到，这样子就使得每棵树都具有独特领域的知识，从而有更好的泛化能力；
gbdt，梯度提升决策树，实际上也是由多棵树构成，和rf不同的是，每棵树训练样本是上一棵树的残差，这体现了梯度的思想，同时最后的结构是用这所有的树进行组合或者投票得出，主要用在、相关性等；
knn，k最近邻，应该是最简单的ml方法了，对于未知标签的样本，看与它最近的k个样本(使用某种距离公式，马氏距离或者欧式距离)中哪种标签最多，它就属于这类； 参考技术A XGBoost可以处理回归、分类和排序等多种任务。 参考技术B 可以回归也可以是分类，通过参数调置，具体设置方法看官方文档

再谈XGBoost原理

GBDT的核心就在于累加所有树的结果作为最终结果。

分类树

决策树的分类算法有很多，以具有最大熵的特征进行分类，以信息增益特征进行分类（ID3），以增益率特征进行分类（C4.5），以基尼系数特征进行分类（CART分类与回归树）等等。这一类决策树的特点就是最后的结果都是离散的具体的类别，比如苹果的好/坏，性别男/女。

回归树

回归树与分类树的流程大致一样，不同的是回归树在每个节点都会有一个预测值，以年龄为例，该节点的预测值就是所有属于该节点的样本的年龄的均值。

那回归树是根据什么来划分特征的呢？

分类树的最大熵、信息增益、增益率什么的在回归树这都不适用了，回归树用的是均方误差。遍历每个特征，穷举每个特征的划分阈值，而这里不再使用最大熵，使用的是最小化均方差——(每个人的年龄-预测年龄)^2/N，N代表节点内样本数。这很好理解，和预测年龄差距越大，均方差也就越大。因此要找到均方差最小的阈值作为划分点。

划分的结束条件一般有两个：第一是划分到每一个节点都只包含一个年龄值，但是这太难了;第二就是划分到一定的深度就停止，取节点内数据的均值作为最终的预测值。

XGBoost
XGBoost其实是由一群训练出来的CART回归树集成出来的模型。
明确目标

我们的目标其实就是训练一群回归树，使这树群的预测值尽量接近真实值，并且有尽可能强大的泛化能力。来看看我们的优化函数：

i表示的是第i个样本，前一项是表示的是预测误差。后一项表示的是树的复杂度的函数，值越小表示复杂度越低，泛化能力越强。我们来看看后一项的表达式：

树的复杂度函数
其中T表示叶子节点的个数，w表示的是节点的预测值（回归树的节点才有预测值）。

我们要做的就是使预测误差尽量小，叶子节点数尽量少，预测值尽量不极端（什么叫预测值尽量不极端?举个栗子，一个人的真实年龄是4岁，有两个模型，第一个模型的第一颗回归树预测值是3岁，第二颗回归树预测值是1岁，第二个模型的第一颗回归树预测值是2岁，第二颗预测值也是2岁，那我们更倾向于选择第二个模型，因为第一个模型学习的太多，有过拟合的风险）

那么我们如何才能把优化函数和回归树的参数联系在一起呢？回归树的参数我们知道有两个：（1）选哪个feature进行分裂（2）如何求取节点的预测值，上述公式并没有很好地反映出这两个问题的答案，那么是如何解决上述两个问题的呢？

答案就是：贪心策略+最优化（二次最优化）

贪心策略

那么是如何运用贪心策略（眼前利益最大化，每个节点的预测值都选最优）的呢？假设我们有一堆样本，放在第一个节点，这时T=1，w是多少呢？暂时不知道，w是计算出来的，这时所有的样本的w都相等，将w和T代入优化函数中

第一步的优化函数
如果我们这里的l(w-y_i)损失函数使用的是平方损失函数，那么上式就变成了一个关于w的二次函数,最小的点就是极值点也就是该节点的预测值。

到这你可能发现了，这不就是二次函数的最优化问题吗？

那如果损失函数不是平方误差函数怎么办？我们采用的是泰勒展开的方式，任何函数总能用泰勒展开的方法表示，不是二次函数我们总能想办法让它变成二次函数。

那么我们再来看我们的两个问题:

(1)选哪个feature进行分裂？最粗暴的枚举法，用损失函数效果最好的那一个（粗暴枚举和XGBoost的并行化等我们在后面介绍）

(2)如何求取节点的预测值，对！就是我们刚刚说到的二次函数求最值（固定套路：二次函数求导为零的点就是最优值）！

那么步骤就是：枚举第一个feature，计算loss_function的最小值，枚举第二个feature，计算loss_function的最小......直到遍历完所有的feature，选择效果最好的feature，将feature的值分成大于w和小于w的两类，这不就把树给分成两叉了吗?

接下来继续分裂，在上一个分类的基础上，又形成一棵树，再形成一棵树，每次都是在最优的基础上进行分裂，不就是我们的贪心策略么。

但是一般这种循环迭代的方式都需要一个终止条件，总不能让它一直跑下去吧。

停止条件

停止条件大概有以下几种:

(1)当引入的分裂带来的增益（loss_function的降低量）小于一个阈值的时候，可以剪掉当前的分裂，所以并不是每一次分裂loss_function都会增加的。

(2)当树达到最大深度时，停止建树，因为树的深度太深容易出现过拟合，这里需要设置一个超参数max_depth。

(3)当样本权重和小于某一个阈值时也停止建树，涉及到一个超参数:最小样本权重和，大意就是如果每个叶子节点包含的样本数量太少也停止，同样是过拟合的原因。

XGBoost的亮点（重点）
节点权值

XGBoost的权值是通过最优化二次函数（求导）求出来的，算是一种创新吧，和普通的求均值的或者其他什么规则不一样。

避免过拟合(正则化、shrinkage与采样技术)

正则化

一说起过拟合，我们的第一反应就是正则化。XGBoost也是这样做的。

我们在loss_function里看到了正则化项（树的复杂度函数），正则化的目的就是防止过拟合。我们再看看这个函数:

树的复杂度函数
这里出现了γ和λ，这是XGBoost自己定义的，在使用XGBoost时，你可以设定它们的值，显然，γ越大，表示越希望获得结构简单的树，因为要整体最小化的话就要最小化T。λ越大也是越希望获得结构简单的树。

Shrinkage

除了使用正则化，我们还有shrinkage与采样技来避免过拟合的出现。

所谓的shrinkage就是在每次的迭代产生的树中，对每个叶子结点乘以一个缩减权重，主要的目的就是缩减该次迭代产生的树的影响力，留给后边迭代生成的树更多发挥的空间。

举个栗子：比如第一棵树预测值为3.3，label为4.0，第二棵树才学0.7，那后面的树就没啥可学的了，所以给他打个折扣，比如3折，那么第二棵树训练的残差为4.0-3.3*0.3=3.01，这就可以发挥了啦，以此类推，作用的话，就是防止过拟合。

采样技术

采样技术有两种，分别是行采样和列采样。

列采样效果比较好的是按层随机的方法：之前提到，每次分裂节点的时候我们都要遍历所有的特征和分割点，来确定最优分割点。如果加入列采样，我们会在同一层的结点分割前先随机选一部分特征，遍历的时候只用遍历这部分特征就行了。

行采样则是采用bagging的思想，每次只抽取部分样本进行训练，不使用全部的样本，可以增加树的多样性。

损失函数

这个点也是XGBoost比较bug的地方，因为XGBoost能够自定义损失函数，只要能够使用泰勒展开（能求一阶导和二阶导）的函数，都可以拿来做损失函数。你开心就好！

支持并行化

一直听别人说XGBoost能并行计算，感觉这才是XGBoost最bug的地方，但是直观上并不好理解，明明每次分裂节点都用到了上一次的结果，明明是个串行执行的过程，并行这个小妖精到底在哪?答案就在我们的第一个问题之中：选哪个feature进行分裂？就是在枚举，选择最佳分裂点的时候进行(读者可以先试着往下读，如果理解不了的话建议将之前文章提过的AdaBoost的代码实现一遍,有助于理解)。

注意：同层级节点之间可以并行。节点内选择最佳分裂点，候选分裂点计算增益使用并行。

每个节点都包含样本，我们要从中节点样本的每一个feature中选择最佳的分裂值。如果feature的值是离散的，比如判断性别男/女，这样的feature计算增益很容易。但是如果feature的值是连续的，从5k-10k都有，总不能一个一个值都当做分裂点来计算增益吧（缺点：1、计算量太大；2、分割后的叶子节点样本过少，过拟合），常用的方法是划分区间，具体怎么划分呢？

XGBoost的作者提出了一种算法：Weighted Quantile Sketch

一般的，我们的loss_function泰勒展开之后长这样:

泰勒展开后的一般损失函数
f_t(x_i)是什么？它其实就是f_t的某个叶子节点的值。之前我们提到过，叶子节点的值是可以作为模型的参数的。其中:

g_i和h_i
其实这里的g_i和h_i描述的就是不同的预测值对loss_function的影响。

用通俗的例子来解释算法：

将收入值升序排列:(5k,5.1k,5.2k...,10k)，分割线(收入1，收入2,...,)，满足（节点内每个间隔的样本的h_i之和/节点总的h_i之和）某个百分比?，所以大约有1/?个分裂点。

针对稀疏数据的解决方法

实际应用中，稀疏数据无法避免，产生稀疏数据的原因：（1）数据缺失；（2）统计上的0；（3）特征表示中的one-hot形式；以往的经验，出现稀疏值的时候算法需要很好地自适应，XGBoost提出的方法如下:

假设样本的第i个特征缺失，无法使用该特征进行样本划分，那我们就把缺失样本默认的分到某个节点，具体分到哪个节点还要根据算法：

算法思想：分别假设缺失属于左节点和右节点，而且只在不缺失的样本上迭代，分别计算样本属于左子树和右子树的增益，选择增益最大的方向作为缺失数据的默认方向。