基于残差的提升树
来源:互联网 发布:快递群发短信软件 编辑:程序博客网 时间:2024/06/05 03:33
注:本文中所有公式和思路来自于李航博士的《统计学习方法》一书,我只是为了加深记忆和理解写的本文。
首先应该先介绍一下提升树,提升树模型采用了加法模型和前向分布算法,基于决策树的提升也就是提升树,也就是多个基函数累加得来,这里的基函数我们可以广泛的指代我们常用回归或者分类器而不仅仅是y=ax+b这种直观的函数,例如决策树、SVM等,因为我们给定一个样本x会输出对应的预测值y,所以可以将决策树、SVM这些算法当成基函数f。
既然是基于残差的决策树,那么就有基于其他的决策树,后续还会介绍基于伪残差的决策树(GBDT),所谓残差就是样本x的标记值y与预测值的差值而已
提升树算法:
提升树是加法模型和前向分布算法的结合实现的,这个加法模型我们不妨用如下公式表达:
那么首先不出意外会要确定一个f0(x0),这里不妨设定f0(x)=0,那么第m步的模型应该是:
其中fm-1(x)是当前的模型,fm(x)是下一个要算的,通过经验风险极小化求得下一棵决策树的Θm
当采用平方误差作为损失函数时,则有
将f(x)带入公式,此时的损失为:
其中r = y - fm-1(x)就是前边提到的残差,所以提升树实际是针对残差进行拟合的
具体算法如下:
到这就将提升树的推导过程以及算法介绍完了,实际上个人觉得这种方式会很容易过拟合,即使是后续要介绍的GBDT也是很有可能造成过拟合(个人认为)。
1 0
- 基于残差的提升树
- [译]基于深度残差学习的图像识别
- 基于深度残差网络的图像识别案例
- [译]基于深度残差学习的图像识别
- 【一种基于灰度差的模板匹配】
- 基于背景差分的流量监测
- 基于php的差量更新工具
- 基于DailyBuild流程提升软件产品的质量
- 基于自回归模型(AR)的自适应阈值的残差比异常检测
- 理解GBDT算法(二)——基于残差的版本
- tensorflow实现基于CNN残差网络的一个简化版YOLO
- 基于深度残差学习的图像识别Deep Residual Learning for Image Recognition
- 基于深度残差学习的图像识别 Deep Residual Learning for Image Recognition
- 采用TI多标准基站 SoC 实现性能、效率与差异化的全面提升
- 基于纹理与颜色的多层背景差分
- 【OPENCV】基于背景差法的运动目标检测
- 基于CodeBook的背景差分算法(C++)
- Unity Notes之配置文件基于内容的差异化更新
- Java NIO系列教程(四) Selector
- 表格列的hover状态与selected选中状态
- INSTALL_FAILED_CONFLICTING_PROVIDER 错误解决方法
- html之网页背景切换
- Java NIO系列教程(五) SocketChannel
- 基于残差的提升树
- oracle包package内建管道函数pipelined、过程procedure和函数function的代码
- jquery对Json的各种遍历方法总结(必看篇)
- Java NIO系列教程(六) ServerSocketChannel
- iOS UIAlertController实现弹窗输入账号密码
- leetCode练习(113)
- java的初步认识
- POJ 2503 - 二分+快排
- 终于找齐了梦寐以求的物体缓动算法(Tween)