GDBT
来源:互联网 发布:在手机上java编程软件 编辑:程序博客网 时间:2024/06/06 15:45
转载http://blog.csdn.net/a819825294
1.模型
提升方法实际采用加法模型(即基函数的线性组合)与前向分布算法。以决策树为基函数的提升方法称为提升树(boosting tree)。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决策树。提升树模型可以表示为决策树的加法模型:
其中,表示决策树;为决策树的参数;M为树的个数
2.学习过程
回归问题提升树使用以下前向分布算法:
在前向分布算法的第m步,给定当前模型,需求解
得到,即第m棵树的参数
当采用平方误差损失函数时,
其损失变为
其中,是当前模型拟合数据的残差(residual)。对于平方损失函数,拟合的就是残差;对于一般损失函数(梯度下降),拟合的就是残差的近似值
3.算法
输入:训练数据集
输出:提升树
算法流程:
(1)初始化
(2)对m = 1,2,…,M
- 计算残差
- 拟合残差学习一个回归树,得到
- 更新
(3)得到回归问题提升树
附sklearn中GBDT文档 地址
4.GBDT并行
- 非递归建树
- 节点的存放
- 终止条件
- 树的节点数
- 树的深度
- 没有适合分割的节点
- 节点的存放
- 特征值排序
- 在对每个节点进行分割的时候,首先需要遍历所有的特征,然后对每个样本的特征的值进行枚举计算。(CART)
- 在对单个特征量进行枚举取值之前,我们可以先将该特征量的所有取值进行排序,然后再进行排序。
- 优点
- 避免计算重复的value值
- 方便更佳分割值的确定
- 减少信息的重复计算
- 多线程/MPI并行化的实现
- 通过MPI实现对GBDT的并行化,最主要的步骤是在建树的过程中,由于每个特征值计算最佳分割值是相互独立的,故可以对特征进行平分,再同时进行计算。
- 通过MPI实现对GBDT的并行化,最主要的步骤是在建树的过程中,由于每个特征值计算最佳分割值是相互独立的,故可以对特征进行平分,再同时进行计算。
- MPI并行化的实现
- 主线程
- 其他线程
- 主线程
阅读全文
0 0
- GDBT
- GDBT XGBoost
- Geodatabase Toolset (GDBT)介绍
- 机器学习--GDBT算法
- xgboost/gdbt/randomforest + lr入门实践
- 用bias/variance角度解释GDBT与RF的区别
- 机器学习sklearn参数解释(GDBT+XGBOOST)
- 机器学习笔记(七)Boost算法(GDBT,AdaBoost,XGBoost)原理及实践
- 机器学习笔记 Boost算法(GDBT,AdaBoost,XGBoost)原理及实践
- POJ 3613 Cow Relays floyd+矩阵
- DFS和BFS
- 宠物商店编程问题
- oracle 创建表空间详细介绍
- fine-tuning的二三事
- GDBT
- 03Collection集合与Map集合的基础知识
- 创建感知机 python
- 欢迎使用CSDN-markdown编辑器
- Qt官方开发环境生成的exe发布方式--使用windeployqt
- Spring中最核心的两个类。
- case语句
- tree命令出现乱码
- CrackMe小程序编写