如何使用 CatBoost 进行快速梯度提升

我们将仔细研究一个名为CatBoost的梯度增强库。

在梯度提升中,预测是由一群弱学习者做出的。与为每个样本创建决策树的随机森林不同,在梯度增强中,树是一个接一个地创建的。模型中的先前树不会更改。前一棵树的结果用于改进下一棵树。在本文中,我们将仔细研究一个名为CatBoost的梯度增强库。



如何使用 CatBoost 进行快速梯度提升

 



CatBoost 是Yandex开发的深度方向梯度增强库 。它使用遗忘的决策树来生成平衡树。相同的功能用于对树的每个级别进行左右拆分。

(CatBoost官方链接:https://github.com/catboost)



如何使用 CatBoost 进行快速梯度提升

 



与经典树相比,遗忘树在CPU上实现效率更高,并且易于安装。

处理分类特征

在机器学习中处理分类的常见方法是单热编码和标签编码。CatBoost允许您使用分类功能,而无需对其进行预处理。

使用CatBoost时,我们不应该使用一键编码,因为这会影响训练速度以及预测质量。相反,我们只需要使用cat_features 参数指定分类特征即可 。

 

使用CatBoost的优点

以下是考虑使用CatBoost的一些原因:

  • CatBoost允许在多个GPU上训练数据。
  • 使用默认参数可以提供很好的结果,从而减少了参数调整所需的时间。
  • 由于减少了过度拟合,因此提高了精度。
  • 使用CatBoost的模型应用程序进行快速预测。
  • 经过训练的CatBoost模型可以导出到Core ML进行设备上推理(iOS)。
  • 可以在内部处理缺失值。
  • 可用于回归和分类问题。

 

训练参数

让我们看一下CatBoost中的常用参数:

  • loss_function 别名为 objective -用于训练的指标。这些是回归指标,例如用于回归的均方根误差和用于分类的对数损失。
  • eval_metric —用于检测过度拟合的度量。
  • iterations -待建的树的最大数量,默认为1000。别名是 num_boost_round, n_estimators和 num_trees。
  • learning_rate 别名 eta -学习速率,确定模型将学习多快或多慢。默认值通常为0.03。
  • random_seed 别名 random_state —用于训练的随机种子。
  • l2_leaf_reg 别名 reg_lambda —成本函数的L2正则化项的系数。默认值为3.0。
  • bootstrap_type —确定对象权重的采样方法,例如贝叶斯,贝努利,MVS和泊松。
  • depth —树的深度。
  • grow_policy —确定如何应用贪婪搜索算法。它可以是 SymmetricTree, Depthwise或 Lossguide。 SymmetricTree 是默认值。在中 SymmetricTree,逐级构建树,直到达到深度为止。在每个步骤中,以相同条件分割前一棵树的叶子。当 Depthwise 被选择,一棵树是内置一步步骤,直到指定的深度实现。在每个步骤中,将最后一棵树级别的所有非终端叶子分开。使用导致最佳损失改善的条件来分裂叶子。在中 Lossguide,逐叶构建树,直到达到指定的叶数。在每个步骤中,将损耗改善最佳的非终端叶子进行拆分
  • min_data_in_leaf 别名 min_child_samples —这是一片叶子中训练样本的最小数量。此参数仅与 Lossguide 和 Depthwise 增长策略一起使用。
  • max_leaves alias num_leaves —此参数仅与Lossguide 策略一起使用, 并确定树中的叶子数。
  • ignored_features —表示在培训过程中应忽略的功能。
  • nan_mode —处理缺失值的方法。选项包括 Forbidden, Min,和 Max。默认值为 Min。当 Forbidden 使用时,缺失值导致错误的存在。使用 Min,缺少的值将作为该功能的最小值。在中 Max,缺失值被视为特征的最大值。
  • leaf_estimation_method —用于计算叶子中值的方法。在分类中,使用10 Newton 次迭代。使用分位数或MAE损失的回归问题使用一次 Exact 迭代。多分类使用一次 Netwon 迭代。
  • leaf_estimation_backtracking —在梯度下降过程中使用的回溯类型。默认值为 AnyImprovement。 AnyImprovement 减小下降步长,直至损失函数值小于上次迭代的值。 Armijo 减小下降步长,直到满足 Armijo条件 。
  • boosting_type —加强计划。它可以plain 用于经典的梯度增强方案,也可以 用于或 ordered,它在较小的数据集上可以提供更好的质量。
  • score_function — 分数类型, 用于在树构建过程中选择下一个拆分。 Cosine 是默认选项。其他可用的选项是 L2, NewtonL2和 NewtonCosine。
  • early_stopping_rounds —当时 True,将过拟合检测器类型设置为, Iter 并在达到最佳度量时停止训练。
  • classes_count —多重分类问题的类别数。
  • task_type —使用的是CPU还是GPU。CPU是默认设置。
  • devices —用于训练的GPU设备的ID。
  • cat_features —具有分类列的数组。
  • text_features -用于在分类问题中声明文本列。

 

回归示例

CatBoost在其实施中使用scikit-learn标准。让我们看看如何将其用于回归。



与往常一样,第一步是导入回归器并将其实例化。



如何使用 CatBoost 进行快速梯度提升

 



拟合模型时,CatBoost还可以通过设置来使用户可视化 plot=true:



如何使用 CatBoost 进行快速梯度提升

 



如何使用 CatBoost 进行快速梯度提升

 



它还允许您执行交叉验证并使过程可视化:



如何使用 CatBoost 进行快速梯度提升

 



如何使用 CatBoost 进行快速梯度提升

 



同样,您也可以执行网格搜索并将其可视化:



如何使用 CatBoost 进行快速梯度提升

 





如何使用 CatBoost 进行快速梯度提升

 

我们还可以使用CatBoost绘制树。这是第一棵树的情节。从树上可以看到,每个级别的叶子都在相同的条件下被分割,例如297,值> 0.5。



如何使用 CatBoost 进行快速梯度提升

 



如何使用 CatBoost 进行快速梯度提升

 



CatBoost还为我们提供了包含所有模型参数的字典。我们可以通过遍历字典来打印它们。



如何使用 CatBoost 进行快速梯度提升

 



如何使用 CatBoost 进行快速梯度提升

 



结尾

在本文中,我们探讨了CatBoost的优点和局限性以及主要的训练参数。然后,我们使用scikit-learn完成了一个简单的回归实现。希望可以给你提供有关库的足够信息,以便进一步探索它。