scikit-learn(sklearn)GBDT算法类库介绍

浅浅的花香味﹌ 2023-10-07 11:54 19阅读 0赞

在[梯度提升树（GBDT）原理][GBDT]一文中介绍了GBDT的原理。本文将介绍scikit-learn中GBDT算法类库的使用和调参。

**1. scikit-learn GBDT类库概述**

在scikit-learn中，GBDT类库包含GradientBoostingClassifier和GradientBoostingRegressor，其中GradientBoostingClassifier用于分类， 而GradientBoostingRegressor用于回归。它们的参数完全相同，不过有些参数比如损失函数loss的可选择项并不相同。我们把重要的参数分为两类，第一类是Boosting框架的重要参数，第二类是弱学习器CART回归决策树的重要参数。

下面我们就从这两方面来介绍这些参数的使用和调参。

**2. GBDT类库Boosting框架参数**

首先介绍Boosting框架的重要参数。GradientBoostingClassifier和GradientBoostingRegressor的绝大部分参数都相同，我们用下面的表格来详细说明。

<table> 
 <tbody> 
 <tr> 
 <td>参数</td> 
 <td>GradientBoostingClassifier</td> 
 <td>GradientBoostingRegressor</td> 
 </tr> 
 <tr> 
 <td>n_estimators</td> 
 <td colspan="2">弱学习器的最大迭代次数，或者说最大的弱学习器个数。一般来说n_estimators太小，容易欠拟合，而n_estimators太大，又容易过拟合，通常需要选择一个适中的数值，默认值是50。在实际的调参过程中，常常将它和参数learning_rate一起来考虑。</td> 
 </tr> 
 <tr> 
 <td>learning_rate</td> 
 <td colspan="2">弱学习器的权重缩减系数ν，原始强学习器的迭代公式加上正则化项以后，变成了<a href="http://album.sina.com.cn/pic/001NWibjzy7fuwhxNTI4a" rel="nofollow"><img alt="scikit-learn(sklearn)GBDT算法类库介绍" src="https://imgconvert.csdnimg.cn/aHR0cDovL3MxMS5zaW5haW1nLmNuL213NjkwLzAwMU5XaWJqenk3ZnV3aHhOVEk0YSY2OTA?x-oss-process=image/format,png"></a>。ν的取值范围是0&lt;ν≤1。对于同样的训练集拟合效果，较小的ν意味着需要进行更多的弱学习器迭代次数。通常用步长和迭代最大次数一起来决定算法的拟合效果。所以参数n_estimators和learning_rate需要一起来调参。一般来说，可以从一个小一点的ν开始调参，其默认值是1。</td> 
 </tr> 
 <tr> 
 <td>subsample</td> 
 <td colspan="2">在<a href="http://blog.sina.com.cn/s/blog_62970c250102xg5c.html" rel="nofollow">梯度提升树（GBDT）原理</a>一文中正则化章节讲到的子采样比例，取值为(0,1]。这里的子采样和随机森林不一样，随机森林使用的是有放回采样，而这里使用的是无放回采样。如果取值为1，则使用全部样本，等于没有使用子采样。如果取值小于1，则只有一部分样本会去拟合GBDT的决策树。选择小于1的值可以减少方差，防止过拟合，但是会增加样本拟合的偏差，因此取值不能太低，推荐在[0.5, 0.8]之间选择。</td> 
 </tr> 
 <tr> 
 <td>init</td> 
 <td colspan="2">初始化的弱学习器，对应<a href="http://blog.sina.com.cn/s/blog_62970c250102xg5c.html" rel="nofollow">梯度提升树（GBDT）原理</a>一文中的<a href="http://album.sina.com.cn/pic/001NWibjzy7fuwK4Hzt03" rel="nofollow"><img alt="scikit-learn(sklearn)GBDT算法类库介绍" src="https://imgconvert.csdnimg.cn/aHR0cDovL3M0LnNpbmFpbWcuY24vbXc2OTAvMDAxTldpYmp6eTdmdXdLNEh6dDAzJjY5MA?x-oss-process=image/format,png"></a>，如果不输入，则用训练集样本来做样本集的初始化分类回归预测，否则使用init参数提供的学习器来做初始化分类回归预测。一般用在我们对数据有先验知识或者之前做过拟合的时候，否则就不用考虑这个参数了。</td> 
 </tr> 
 <tr> 
 <td>loss</td> 
 <td>GradientBoostingClassifier类的损失函数有对数似然损失函数"deviance"和指数损失函数"exponential"两个选项。默认值是对数似然损失函数"deviance"。一般来说，推荐使用默认的对数似然损失函数"deviance"，它对于二元分类和多元分类都有较好的优化效果。而指数损失函数"exponential"相当于执行了Adaboost算法。</td> 
 <td>GradientBoostingRegressor类的损失函数有均方差损失函数"ls"、绝对损失函数"lad"、Huber损失函数"huber"和分位数损失函数"quantile"。默认是均方差损失函数"ls"。一般来说，如果数据的噪声点不多，用默认的均方差损失函数"ls"比较好。如果噪声点较多，则推荐使用抗噪声的Huber损失函数"huber"。如果需要对训练集进行分段预测，则推荐使用分位数损失函数"quantile"。</td> 
 </tr> 
 <tr> 
 <td>alpha</td> 
 <td>GradientBoostingClassifier类没有这个参数。</td> 
 <td>当使用Huber损失函数"huber"和分位数损失函数"quantile"时，需要指定分位数的值。默认值是0.9，如果噪声点较多，可以适当降低这个参数的值。</td> 
 </tr> 
 </tbody> 
</table>

**3. GBDT类库弱学习器参数**

接下来介绍GradientBoostingClassifier和GradientBoostingRegressor的弱学习器参数，由于GBDT使用了CART回归决策树作为弱学习器，因此它的参数基本上来源于决策树类，也就是说，与DecisionTreeClassifier和DecisionTreeRegressor的参数基本相同。在[scikit-learn(sklearn)决策树算法类库介绍][scikit-learn_sklearn]一文中已经对这两个类的参数做了详细的解释。这里我们只是强调一下其中需要注意的几个最重要的参数：

1) 划分时考虑的最大特征数max\_features：可以使用多种类型值，默认是"None"，意味着划分时考虑所有的特征数；如果是"log2"，意味着划分时最多考虑log2N（以2为底N的对数）个特征；如果是"sqrt"或者"auto"，意味着划分时最多考虑N的平方根个特征；如果是整数，代表考虑的特征绝对数；如果是浮点数，代表考虑特征数的百分比，即考虑（百分比xN）取整后的特征数。其中N是样本总特征数。一般来说，如果样本特征数不多，比如小于50，使用默认值"None"就可以了，如果特征数非常多，则可以灵活地使用上述其它取值来控制划分时考虑的最大特征数，以控制决策树的生成时间。

2) 决策树的最大深度max\_depth：默认可以不输入，如果不输入，则不会限制决策树的深度。一般来说，数据少或者特征少的时候可以不用管这个值。如果训练集样本量大，特征多的情况下，推荐限制这个最大深度，具体的取值取决于数据的分布。常用的可以取10-100之间。

3) 内部节点再划分所需最小样本数min\_samples\_split：这个值限制了子树继续划分的条件，如果某节点的样本数少于min\_samples\_split，则不会再进行划分，默认值是2。如果样本量不大，不需要管这个值；如果样本数量级非常大，则推荐增大这个值。

4) 叶子节点最少样本数min\_samples\_leaf：这个值限制了叶子节点最少的样本数，如果某叶子节点数目小于该值，则会和兄弟节点一起被剪枝。 默认值是1，可以输入最少样本数的整数，或者最少样本数占样本总数的百分比。如果样本量不大，不需要管这个值。如果样本数量级非常大，则推荐增大这个值。

5) 叶子节点最小的样本权重和min\_weight\_fraction\_leaf：这个值限制了叶子节点所有样本权重和的最小值，如果小于这个值，则会和兄弟节点一起被剪枝。 默认值是0，就是不考虑样本权重。一般来说，如果较多样本有缺失值，或者分类树样本的分布类别偏差很大，就会引入样本权重，这时我们就要考虑这个参数了。

6) 最大叶子节点数max\_leaf\_nodes：通过限制最大叶子节点数，可以防止过拟合，默认值是"None"，即不限制最大的叶子节点数。如果增加了限制，算法会创建在最大叶子节点数内最优的决策树。如果特征不多，可以不用考虑这个值，但是如果特征多的话，需要加以限制，具体的值可以通过交叉验证得到。

7) 节点划分最小不纯度min\_impurity\_split：这个值限制了决策树的增长，如果某节点的不纯度（基尼系数，均方差）小于这个阈值，则该节点不再生成子节点，也就是说，该节点将成为叶子节点 。一般不推荐改动默认值1e-7。

**4. 使用Mnist数据集测试scikit-learn的GradientBoostingClassifier**

代码如下所示：

\---------------------------------------------------------------------------------------------------

from sklearn.ensemble import GradientBoostingClassifier

from sklearn.model\_selection import GridSearchCV

from sklearn.metrics import accuracy\_score

from time import time

import numpy as np

import mnist

import roc

if \_\_name\_\_ == "\_\_main\_\_":

\# 读取Mnist数据集, 测试GBDT的分类模型

mnistSet = mnist.loadLecunMnistSet()

train\_X, train\_Y, test\_X, test\_Y = mnistSet\[0\], mnistSet\[1\], mnistSet\[2\], mnistSet\[3\]

m, n = np.shape(train\_X)

idx = range(m)

np.random.shuffle(idx)

print "\\n\*\*\*\*\*\*\*\*\*\*测试GradientBoostingClassifier类\*\*\*\*\*\*\*\*\*\*"

t = time()

model = GradientBoostingClassifier(max\_features=90, max\_depth=40, min\_samples\_split=8, min\_samples\_leaf=3,

n\_estimators=1200, learning\_rate=0.05, subsample=0.95)

\# 拟合训练数据集

model.fit(train\_X, train\_Y)

\# 预测训练集

train\_Y\_hat = model.predict(train\_X\[idx\])

print "训练集精确度: ", accuracy\_score(train\_Y\[idx\], train\_Y\_hat)

\# 预测测试集

test\_Y\_hat = model.predict(test\_X)

print "测试集精确度: ", accuracy\_score(test\_Y, test\_Y\_hat)

print "总耗时:", time() - t, "秒"

\# 绘制ROC曲线

n\_class = len(np.unique(train\_Y))

roc.drawROC(n\_class, test\_Y, test\_Y\_hat)

\---------------------------------------------------------------------------------------------------

**5. 使用CCPP数据集测试scikit-learn的GradientBoostingRegressor**

代码如下所示：

\---------------------------------------------------------------------------------------------------

from sklearn.ensemble import GradientBoostingRegressor

from sklearn.model\_selection import GridSearchCV, train\_test\_split

from sklearn.preprocessing import StandardScaler

from sklearn.metrics import mean\_squared\_error

from time import time

import numpy as np

import pandas as pd

if \_\_name\_\_ == "\_\_main\_\_":

\# 读取CCPP数据集, 测试GBDT的回归模型

data = pd.read\_excel("data/CCPP/Folds5x2\_pp.xlsx")

\# AT:温度, V:压力, AP:湿度, RH:压强, PE:输出电力

\# 样本特征X

X = data\[\['AT', 'V', 'AP', 'RH'\]\]

\# 数据归一化

X = StandardScaler().fit\_transform(X)

\# 样本输出Y

Y = data\[\['PE'\]\]

\# 划分训练集和测试集，将数据集的70%划入训练集，30%划入测试集

train\_X, test\_X, train\_Y, test\_Y = train\_test\_split(X, Y, test\_size=0.3, random\_state=1)

m, n = np.shape(train\_X)

idx = range(m)

np.random.shuffle(idx)

print "\\n\*\*\*\*\*\*\*\*\*\*测试GradientBoostingRegressor类\*\*\*\*\*\*\*\*\*\*"

t = time()

model = GradientBoostingRegressor(learning\_rate=0.1, n\_estimators=1500, max\_depth=5, min\_samples\_split=9,

min\_samples\_leaf=2, subsample=0.95)

\# 拟合训练数据集

model.fit(train\_X, train\_Y.values.ravel())

\# 预测测试集

test\_Y\_pred = model.predict(test\_X)

print "测试集MSE:", mean\_squared\_error(test\_Y, test\_Y\_pred)

print "测试集RMSE:", np.sqrt(mean\_squared\_error(test\_Y, test\_Y\_pred))

print "总耗时:", time() - t, "秒"

\---------------------------------------------------------------------------------------------------

代码：[https://github.com/haidawyl/Mnist/blob/master/gbdt.py][https_github.com_haidawyl_Mnist_blob_master_gbdt.py]

参考：http://www.cnblogs.com/pinard/p/6143927.html

来源: [http://blog.sina.com.cn/s/blog\_62970c250102xg5j.html][http_blog.sina.com.cn_s_blog_62970c250102xg5j.html]

[GBDT]: http://blog.sina.com.cn/s/blog_62970c250102xg5c.html
[scikit-learn_sklearn]: http://blog.sina.com.cn/s/blog_62970c250102xfey.html
[https_github.com_haidawyl_Mnist_blob_master_gbdt.py]: https://github.com/haidawyl/Mnist/blob/master/gbdt.py
[http_blog.sina.com.cn_s_blog_62970c250102xg5j.html]: http://blog.sina.com.cn/s/blog_62970c250102xg5j.html