AdaBoost算法的解释——前向分步法与提升树(GBDT)
可以认为AdaBoost算法是模型为加法模型,损失函数为指数函数、学习算法为前向分步算法时的二类分类学习方法。
前向分步算法:
考虑加法模型
f(x)=m=1∑Mβmb(x;γm) —— (式1)
其中
b(x;γm)为基函数,γm为基函数的参数,βm为基函数的系数。显然式1 是个加法模型。
在给定训练数据和损失函数
L(y,f(x))的条件下,学习加法模型
f(x)称为经验风险极小化即损失函数极小化问题:
通常这是一个复杂的优化问题。前向分步算法求解这一优化问题的想法是:因为学习的是加法模型,如果能够从前往后求解,每一步只学习一个基函数及其系数,逐步逼近优化目标函数,那么就可以简化优化的复杂度。
具体的,每一步只需优化如下损失函数:
给定训练数据集
T=(x1,y1),(x2,y2)……(xN,yN)损失函数
L(y,f(x))和基函数的集合{
b(x;γm)},学习加法模型
f(x)的前向分步算法如下:
输入:训练数据集
T=(x1,y1),(x2,y2)……(xN,yN);损失函数
L(y,f(x))和基函数的集合{
b(x;γm)}
输出:加法模型
f(x)
- :初始化
f0(x)=0
2):对m=1,2……M:
(a):极小化损失函数
(βm,γm)=argmini=1∑NL(yi,fm−1(xi)+βb(xi;γ))
得到参数
βm,γm
(b)更新,
fm(x)=fm−1(x)+βmb(x;γm)
3)得到加法模型
f(x)=fM(x)=m=1∑Mβmb(x;γm)
这样,前向分步算法将同时求解从m=1到M的所有参数
βm,γm的优化问题简化为逐次求解各个
βm,γm的优化问题。
提升树
提升树是以分类树与回归树为基本分类器的提升方法。提升树被认为是统计学习中性能最好的方法之一。
提升树模型
提升方法实际是采用加法模型(即基函数的线性组合)与前向分步算法。**以决策树为基函数的提升方法称为提升树。**对分类问题决策树是二叉分类树,对回归问题决策树是二叉回归树。
提升树模型可以表示成决策树的加法模型:
fM(x)=m=1∑MT(x;⊙m),其中
T(x;⊙m)表示决策树;⊙m表示决策树的参数;M为树的个数
提升树算法:
提升树采用前向分步算法,首先确定初始提升树
f0(x)=0,第m步的模型是
fm(x)=fm−1+T(x;⊙m)
其中,
fm−1是当前模型,通过经验风险最小化确定下一颗决策树的参数
⊙m
⊙m=argmini=1∑NL(yi,fm−1(xi)+T(x;⊙m))
由于树的线性组合可以很好的拟合数据,即使数据中的输入与输出之间的关系很复杂也是如此,所以提升树是一个高功能的学习算法。
下面讨论针对不同问题的提升树学习算法,其主要区别在于使用的损失函数不同
包括用平方误差损失函数的回归问题,用指数损失函数的分类问题呢,以及用一般损失函数的一般决策问题。
对于二类分类问题,提升树算法只需将AdaBoost算法中的基本分类器限制为二类分类器即可,可以说这时的提升树算法是AdaBoost算法的特殊情况。
下面介绍回归问题的提升树。
已知一个训练数据集
T=(x1,y1),(x2,y2),……(xN,yN),前面已经讨论了回归树的问题
如果将输入空间划分为
J个互不相交的区域
R1,R2……RJ,并且在每个区域上确定输出的场景
cj,那么树可以表示为:
T(x;⊙)=j=1∑JcjI(x∈Rj)
其中 ,参数
⊙=(R1,c1),(R2,c2)…(RJ,cJ)表示树的区域划分和各区域上的常数。J是回归树的复杂度即叶子结点个数。
回归问题的提升树使用以下前向分步算法:
f0(x)=0
fm(x)=fm−1(x)+T(x;⊙m),m=1,2……M
fM(x)=m=1∑MT(x;⊙m)
在前向分步算法的第m步,给定当前模型
fm−1(x),需要求解
⊙m=argmini=1∑NL(yi,fm−1(xi)+T(x;⊙m))得到
⊙m,即第m颗树的参数。
当采用平方误差损失函数时,
L(y,f(x))=(y−f(x))2其损失变为:
L(y,fm−1(x)+T(x;⊙m))
=[y−fm−1(x)−T(x;⊙m)]2
=[r−T(x;⊙m)]2
这里
r=y−fm−1(x) 是当前模型拟合数据的残差。所以对回归问题的提升树算法来说,只需要简单的拟合当前模型的残差。
【回归问题的提升树算法】:
输入:训练数据集
输出:提升树
fM(x)
1)初始化
f0(x)=0
2)对m=1,2,……M
a)按照
r=y−fm−1(x)计算残差:
rmi=yi−fm−1(xi)是个向量
b)拟合残差
rmi学习一个回归树,得到
T(x;⊙m)
c)更新
fm(x)=fm−1+T(x;⊙m)
3)得到回归问题提升树
fM(x)=m=1∑MT(x;⊙m)
(每棵回归树的获得都和前面提到的回归树构建算法一样)
梯度提升:
提升树利用加法模型与前向分步算法实现学习的优化过程,当损失函数时平方损失和指数损失时,每一步优化很简单。但对一般的损失函数而言,往往每一步优化不那么容易。
针对这一问题,提出了梯度提升算法(gradient boosting).这是利用最速下降法的近似方法,其关键是利用损失函数的负梯度在当前模型的值
−[φf(xi)φL(y,f(xi))]f(x)=fm−1(x)
作为回归问题提升树算法中残差的近似值,拟合一个回归树
(损失函数的负梯度在当前模型的值)(残差)
【梯度提升算法】:
输入:训练数据集
T,损失函数
L(y,f(x))
输出:回归树
f(x)
(1)初始化
f0(x)=argmini=1∑NL(yi,c)
(2) 对于m=1,2,……M
(a)对i=1,2,……N,计算
rmi=−φf(xi)φL(y,f(xi))]f(x)=fm−1(x)
(b)对
rmi拟合一个回归树,得到第m颗树的叶子结点区域
Rmj,j=1,2……J
©对j=1,2……J,
计算
cmj=argminxi∈Rmj∑L(yi,fm−1(xi)+c)
(d)更新
fm(x)=fm−1(x)+j=1∑JcmjI(x∈Rmj)
(3)得到回归树
f(x)=fM(x)=m=1∑Mj=1∑JcmjI(x∈Rmj)
算法第1步初始化:估计使损失函数极小化的常数值,它是只有一个根节点的树。
第2步a)计算损失函数的负梯度在当前模型的值,将它作为残差的估计,
第2步b)估计回归树叶子结点区域,以拟合残差近似值。
第2步c)利用线性搜索估计叶子结点区域的值,使得损失函数极小化。
第2步d)更新回归树
第3步得到输出最终模型f(x)