在梯度提升树（GBDT）原理一文中介绍了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。
| 参数 | GradientBoostingClassifier | GradientBoostingRegressor |
| n_estimators | 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。 | |
| learning_rate | 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 |
|
| subsample | 在梯度提升树（GBDT）原理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。 | |
| init | 初始化的弱学习器，对应梯度提升树（GBDT）原理一文中的 |
|
| loss | 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。 | 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"。 |
| alpha | GradientBoostingClassifier类没有这个参数。 | 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。 |
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"
---------------------------------------------------------------------------------------------------
参考：http://www.cnblogs.com/pinard/p/6143927.html
