spark.mllib源码阅读-分类算法5-GradientBoostedTrees

Gradient-Boosted Trees(GBT或者GBDT) 和 RandomForests 都属于集成学习的范畴，相比于单个模型有限的表达能力，组合多个base model后表达能力更加丰富。

关于集成学习的理论知识，包括GBT和Random Forests的一些比较好的参考资料：

周志华教授的"Ensemble Methods: Foundations and Algorithms",系统的介绍了集成学习的理论及方法

Random Forests

Greedy Function Approximation: A GradientBoosting Machine

Stochastic GradientBoosting，Spark GBT实现所参考的算法

GBT和Random Forests二者的区别：

二者的理论思想在spark.mllib源码阅读-bagging方法中从模型的方差和偏差的角度做了一些简要的介绍，在Spark官方文档上也有一段关于二者优劣的描述：

1、GBT比RandomForests的训练成本更高，原因在于GBT中各个模型以序列串行的方式进行训练，通常我们说的并行GBT是指base model的并行训练，各个base model之间是无法做到并行的。而Random Forests

中各个子模型之间可以做到并行化。

2、Random Forests的base model越多越有助于降低过拟合，而GBT中base model越多会提高过拟合的程度。

3、二者训练的时间成本不同，因此调参的成本不同。有限的时间内Random Forests可以实验更多的参数组合。

4、通常来看，Random Forests的base model会得到一棵规模适中的树，而GBT为了降低在basemodel数量多时引发的过拟合，会限制其base model的规模。

下面来看看Spark中GBT的实现过程，主要包括3部分：GBT模型、GBT参数配置、GBT训练算法：

GradientBoostedTrees：

GBT的实现过程由GradientBoostedTrees类驱动并向用户暴露模型的训练方法。GradientBoostedTrees的2个关键方法是train和run，在run中，根据用户定义的模型配置类boostingStrategy来调用ml包下的GradientBoostedTrees类进行模型的训练，最后根据训练得到的参数来新建一个GradientBoostedTreesModel：

def train(
           input: RDD[LabeledPoint],
           boostingStrategy: BoostingStrategy): GradientBoostedTreesModel = {
  new GradientBoostedTrees(boostingStrategy, seed = 0).run(input)
  }
def run(input: RDD[LabeledPoint]): GradientBoostedTreesModel = {
  val algo = boostingStrategy.treeStrategy.algo
  //import org.apache.spark.ml.tree.impl.{GradientBoostedTrees => NewGBT}
  val (trees, treeWeights) = NewGBT.run(input.map { point =>
    NewLabeledPoint(point.label, point.features.asML)
  }, boostingStrategy, seed.toLong)
  new GradientBoostedTreesModel(algo, trees.map(_.toOld), treeWeights)
}

GradientBoostedTreesModel：

GradientBoostedTreesModel用来保存训练后的模型，其继承自TreeEnsembleModel。各个Base model保存在trees数组中，每个base model的权重在treeWeights数组中，

其父类TreeEnsembleModel实现的predict方法即是对各个base model的预测值加权treeWeights 得到最终的预测值。

class GradientBoostedTreesModel @Since("1.2.0") (
    @Since("1.2.0") override val algo: Algo, //模型算法：分类 or 回归
    @Since("1.2.0") override val trees: Array[DecisionTreeModel], //base model的数组
    @Since("1.2.0") override val treeWeights: Array[Double]) //每个base model的权重
  extends TreeEnsembleModel(algo, trees, treeWeights, combiningStrategy = Sum)

BoostingStrategy

GBT的配置信息类，可配置的信息包括

treeStrategy：base tree的配置信息

Loss：损失函数，默认参数为2分类问题用LogLoss，回归问题用SquaredError

numIterations：GBT的迭代次数，默认值为100

learningRate：学习速率，默认值为0.1

validationTol：通过验证集判断训练终止的条件：验证集上历史最小的残差 - 验证集当前残差 < validationTol*max(验证集当前残差, 0.01) 即提前终止训练

在训练GBT时，base tree的参数设置也很重要，base tree的参数由Strategy类维护，Strategy的默认值如下，在训练GBT时，务必要重新设置Strategy的值，这里我对可以设定的值都做了备注，方便初次使用的同学进行调参：

@Since("1.0.0") @BeanProperty var algo: Algo,//算法的类别：分类还是回归 {Classification、Regression}

@Since("1.0.0") @BeanProperty var impurity: Impurity,//计算信息增益的准则分类{基尼指数、信息增益} 回归{impurity.Variance}

@Since("1.0.0") @BeanProperty var maxDepth: Int, //树的最大深度

@Since("1.2.0") @BeanProperty var numClasses: Int = 2,//类别数

@Since("1.0.0") @BeanProperty var maxBins: Int = 32,//连续特征离散化的分箱数

@Since("1.0.0") @BeanProperty var quantileCalculationStrategy: QuantileStrategy = Sort,//计算分裂点的算法，待定

@Since("1.0.0") @BeanProperty var categoricalFeaturesInfo: Map[Int, Int] = Map[Int, Int](),//存储每个分类特征的值数目

@Since("1.2.0") @BeanProperty var minInstancesPerNode: Int = 1,//子结点拥有的最小样本实例数，一个终止条件

@Since("1.2.0") @BeanProperty var minInfoGain: Double = 0.0,//最小的信息增益值，这个应该是用来控制迭代终止的

@Since("1.0.0") @BeanProperty var maxMemoryInMB: Int = 256,//聚合使用的内存大小。待定

@Since("1.2.0") @BeanProperty var subsamplingRate: Double = 1,//用于训练数据的抽样率

@Since("1.2.0") @BeanProperty var useNodeIdCache: Boolean = false,//待定

@Since("1.2.0") @BeanProperty var checkpointInterval: Int = 10 //checkpoint

模型的损失函数在BoostingStrategy类中自动设置，在二分类模型中损失函数被定义为LogLoss(对数损失函数)、在回归问题中损失函数被定义为SquaredError(平方损失函数)。在Spark2.1.0版本中还没有实现对多分类GBT的损失函数及多分类GBT模型。对于自定义损失函数，需要继承org.apache.spark.mllib.tree.loss.Loss这个类，并覆写gradient和computeError方法。

GradientBoostedTrees：

GradientBoostedTrees类是Spark训练GBT模型参数的类，模型的训练主要分为2步：1、将分类问题转化为回归问题，在GradientBoostedTrees的run方法中完成：

def run(
    input: RDD[LabeledPoint],
    boostingStrategy: OldBoostingStrategy,
    seed: Long): (Array[DecisionTreeRegressionModel], Array[Double]) = {
  val algo = boostingStrategy.treeStrategy.algo
  //都转化为回归问题
  algo match {
    case OldAlgo.Regression => GradientBoostedTrees.boost(input, input, boostingStrategy, validate = false, seed)
    case OldAlgo.Classification =>
      // Map labels to -1, +1 so binary classification can be treated as regression.
      val remappedInput = input.map(x => new LabeledPoint((x.label * 2) - 1, x.features))
      GradientBoostedTrees.boost(remappedInput, remappedInput, boostingStrategy, validate = false, seed)
    case _ => throw new IllegalArgumentException(s"$algo is not supported by gradient boosting.")
  }
}

2、问题统一转化为回归问题后，调用GradientBoostedTrees的boost进行参数的训练，看一下整个训练过程的核心代码(在源码的基础上有删减)：

// Initialize gradient boosting parameters
val numIterations = boostingStrategy.numIterations //总的迭代次数，决定了生成
val baseLearners = new Array[DecisionTreeRegressionModel](numIterations) //保存每次迭代的base模型的数组
val baseLearnerWeights = new Array[Double](numIterations)//模型权重？
val loss = boostingStrategy.loss //定义的损失函数
val learningRate = boostingStrategy.learningRate
// Prepare strategy for individual trees, which use regression with variance impurity.
val treeStrategy = boostingStrategy.treeStrategy.copy
val validationTol = boostingStrategy.validationTol
treeStrategy.algo = OldAlgo.Regression //org.apache.spark.mllib.tree.configuration.{Algo => OldAlgo}
treeStrategy.impurity = OldVariance
treeStrategy.assertValid()
// Cache input
val persistedInput = if (input.getStorageLevel == StorageLevel.NONE) {
  input.persist(StorageLevel.MEMORY_AND_DISK)
  true
} else {
  false
}
// Prepare periodic checkpointers 定期Checkpointer
val predErrorCheckpointer = new PeriodicRDDCheckpointer[(Double, Double)](
  treeStrategy.getCheckpointInterval, input.sparkContext)
val validatePredErrorCheckpointer = new PeriodicRDDCheckpointer[(Double, Double)](
  treeStrategy.getCheckpointInterval, input.sparkContext)

val firstTree = new DecisionTreeRegressor().setSeed(seed)
//实际是用随机森林训练的一棵树,GBT中树的深度通常较小
//RandomForest.run(data, oldStrategy, numTrees = 1, featureSubsetStrategy = "all", seed = $(seed), instr = Some(instr), parentUID = Some(uid))
val firstTreeModel = firstTree.train(input, treeStrategy)
val firstTreeWeight = 1.0
baseLearners(0) = firstTreeModel
baseLearnerWeights(0) = firstTreeWeight
//(预测值，误差值)
//如改成多分类的话应该是(list<pred>, list<Error>) 即每棵树的预测值和误差值
var predError: RDD[(Double, Double)] =
  computeInitialPredictionAndError(input, firstTreeWeight, firstTreeModel, loss)
predErrorCheckpointer.update(predError)
var validatePredError: RDD[(Double, Double)] =
  computeInitialPredictionAndError(validationInput, firstTreeWeight, firstTreeModel, loss)
if (validate) validatePredErrorCheckpointer.update(validatePredError)
var bestValidateError = if (validate) validatePredError.values.mean() else 0.0
var bestM = 1
var m = 1
var doneLearning = false
while (m < numIterations && !doneLearning) {
  // Update data with pseudo-residuals
  //predError　(预测值，误差值) 预测值是前m-1轮的预测值之和，误差值为lable-预测值
  //如改成多分类的话 此时该样本的loss即可以用logitloss来表示，并对f1~fk都可以算出一个梯度，f1~fk便可以计算出当前轮的残差，供下一轮迭代学习。
  val data = predError.zip(input).map { case ((pred, _), point) =>
    LabeledPoint(-loss.gradient(pred, point.label), point.features)//
  }
  val dt = new DecisionTreeRegressor().setSeed(seed + m)
  val model = dt.train(data, treeStrategy)//训练下一个base model
  // Update partial model
  baseLearners(m) = model
  // Note: The setting of baseLearnerWeights is incorrect for losses other than SquaredError.
  //       Technically, the weight should be optimized for the particular loss.
  //       However, the behavior should be reasonable, though not optimal.
  // 这里learningRate是一个固定值，没有使用shrinkage技术
  baseLearnerWeights(m) = learningRate // learningRate同时作为model的权重
  predError = updatePredictionError(
    input, predError, baseLearnerWeights(m), baseLearners(m), loss)
  predErrorCheckpointer.update(predError)
  if (validate) {//验证集，验证是否提前终止训练
    // Stop training early if
    // 1. Reduction in error is less than the validationTol or
    // 2. If the error increases, that is if the model is overfit.
    // We want the model returned corresponding to the best validation error.
    validatePredError = updatePredictionError(
      validationInput, validatePredError, baseLearnerWeights(m), baseLearners(m), loss)
    validatePredErrorCheckpointer.update(validatePredError)
    val currentValidateError = validatePredError.values.mean()
    if (bestValidateError - currentValidateError < validationTol * Math.max(
      currentValidateError, 0.01)) {
      doneLearning = true
    } else if (currentValidateError < bestValidateError) {
      bestValidateError = currentValidateError
      bestM = m + 1
    }
  }
  m += 1
}

GBT的训练是一个串行的过程，base treemodel在前一轮迭代残差的基础上逐棵生成。每次生成一棵树之后需要更新整个数据集的残差，再进行下一轮的训练。在数据集规模较大，并且迭代轮次比较多时，训练比较耗时，这在一定程度上增加了模型调参的成本。

截至Spark2.0.0，Spark的GBT模型比较初级，在分类问题上目前只支持2分类问题，梯度下降的过程控制也比较简单，难于适应一些精度要求高的的机器学习任务，因此目前版本下的Spark来做GBT模型并不是一个好的选择。相比较而言，XGBOOST是一个更好的选择，当然，有条件的情况下顺着Spark GBT的思路做一些改进也能达到接近的效果。