机器学习：梯度提升算法 | Python 和 R 代码实现

梯度提升算法

10.1 GBM

GBM（梯度提升机）是一种提升类型，用于处理大量数据以创建高度预测​​的预测算法。 Boosting 实际上是一组学习算法，它结合了多个基本估计器的预测，以提高与单个估计器相比的鲁棒性。它将多个弱或平均预测变量组合成一个强预测变量。这些 boosting 算法在 Kaggle、AV Hackthon、CrowdAnalytix 等数据科学竞赛中总是表现出色。

Python代码

#Import Library
from sklearn.ensemble import GradientBoostingClassifier
#Assumed you have, X (predictor) and Y (target) for training data set and x_test(predictor) of test_dataset
# Create Gradient Boosting Classifier object
model= GradientBoostingClassifier(n_estimators=100, learning_rate=1.0, max_depth=1, random_state=0)
# Train the model using the training sets and check score
model.fit(X, y)
#Predict Output
predicted= model.predict(x_test)

R代码

library(caret)
x <- cbind(x_train,y_train)
# Fitting model
fitControl <- trainControl( method = "repeatedcv", number = 4, repeats = 4)
fit <- train(y ~ ., data = x, method = "gbm", trControl = fitControl,verbose = FALSE)
predicted= predict(fit,x_test,type= "prob")[,2] 

梯度boost分类器和随机树分类器是两种不同的boosted树分类器，boosted树分类器你经常会问这两种算法之间的区别。

10.2 XGBOST

另一种经典的梯度增强算法，众所周知，是一些 Kaggle 比赛中的关键选择。

XGBoost 具有非常高的预测能力，使其成为事件准确性的最佳选择，因为它同时具有线性模型和树学习算法，使得该算法比现有梯度提升机技术快近 10 倍。

支持各种目标函数，包括回归、分类和排名。

XGBoost 最有趣的事情之一是它也被称为正式的 boosting 技术。这有助于减少建模中的过度定制，并为包括 Scala、Java、R、Python、Julia 和 C++ 在内的多种语言提供广泛的支持。

支持分布式大规模训练，包括 GCE、AWS、Azure 和 Yarn 集群等多种机器。 XGBoost 还可以与 Spark、Flink 和其他云数据流系统集成，并在提升过程的每次迭代中内置交叉验证。

要了解有关 XGBoost 和参数调整的更多信息，请访问 www..ticsvidhya.com/blog/2016/0...。

Python 代码：

from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
X = dataset[:,0:10]
Y = dataset[:,10:]
seed = 1

X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.33, random_state=seed)

model = XGBClassifier()

model.fit(X_train, y_train)

#Make predictions for test data
y_pred = model.predict(X_test)

R 语言代码

require(caret)

x <- cbind(x_train,y_train)

# Fitting model

TrainControl <- trainControl( method = "repeatedcv", number = 10, repeats = 4)

model<- train(y ~ ., data = x, method = "xgbLinear", trControl = TrainControl,verbose = FALSE)

OR 

model<- train(y ~ ., data = x, method = "xgbTree", trControl = TrainControl,verbose = FALSE)

predicted <- predict(model, x_test)

10.3 LightGBM

LightGBM 是一个使用树学习算法的梯度提升框架。它采用分布式、高效的设计，具有以下优点：

1. 训练速度更快，效率更高
2. 内存消耗低
3. 精度更高
4. 支持 GPU 并行学习 能够进行大规模数据处理

该框架是一个基于决策树算法的快速高效的梯度提升框架，用于排序和分类等机器学习任务。它是作为 Microsoft 分布式机器学习工具包项目的一部分开发的。

由于LightGBM基于决策树算法，因此它根据叶子形状来分割树以达到最佳拟合，而其他改进算法则根据深度级别或方向而不是叶子形状来分割树。因此，在 lightGBM 中，当在同一片叶子上生长时，叶子算法能够比 level-wise 算法减少更多的损失，从而比任何现有的 boosting 算法有更好的精度。

他的速度也非常快，因此有了“轻”这个词。

通过本文了解有关 LightGBM 的更多信息：www..ticsvidhya.com/blog/2017/0...

Python 代码

data = np.random.rand(500, 10) # 500 entities, each contains 10 features
label = np.random.randint(2, size=500) # binary target

train_data = lgb.Dataset(data, label=label)
test_data = train_data.create_valid('test.svm')

param = {'num_leaves':31, 'num_trees':100, 'objective':'binary'}
param['metric'] = 'auc'

num_round = 10
bst = lgb.train(param, train_data, num_round, valid_sets=[test_data])

bst.save_model('model.txt')

# 7 entities, each contains 10 features
data = np.random.rand(7, 10)
ypred = bst.predict(data)

R 代码

library(RLightGBM)
data(example.binary)
#Parameters

num_iterations <- 100
config <- list(objective = "binary",  metric="binary_logloss,auc", learning_rate = 0.1, num_leaves = 63, tree_learner = "serial", feature_fraction = 0.8, bagging_freq = 5, bagging_fraction = 0.8, min_data_in_leaf = 50, min_sum_hessian_in_leaf = 5.0)

#Create data handle and booster
handle.data <- lgbm.data.create(x)

lgbm.data.setField(handle.data, "label", y)

handle.booster <- lgbm.booster.create(handle.data, lapply(config, as.character))

#Train for num_iterations iterations and eval every 5 steps

lgbm.booster.train(handle.booster, num_iterations, 5)

#Predict
pred <- lgbm.booster.predict(handle.booster, x.test)

#Test accuracy
sum(y.test == (y.pred > 0.5)) / length(y.test)

#Save model (can be loaded again via lgbm.booster.load(filename))
lgbm.booster.save(handle.booster, filename = "/tmp/model.txt")

如果您知道 R 扩展包，还有什么方式实现LightGBM 的。

require(caret)
require(RLightGBM)
data(iris)

model <-caretModel.LGBM()

fit <- train(Species ~ ., data = iris, method=model, verbosity = 0)
print(fit)
y.pred <- predict(fit, iris[,1:4])

library(Matrix)
model.sparse <- caretModel.LGBM.sparse()

#Generate a sparse matrix
mat <- Matrix(as.matrix(iris[,1:4]), sparse = T)
fit <- train(data.frame(idx = 1:nrow(iris)), iris$Species, method = model.sparse, matrix = mat, verbosity = 0)
print(fit)

10.4 CatBoost

CatBoost 是俄罗斯最大搜索引擎公司 Yandex 的开源机器学习算法。它可以轻松地与谷歌的 Tensorflow 和苹果的 Core ML 等深度学习框架集成。

CatBoost 最好的一点是，它不需要像其他 ML 模型那样进行大量的数据训练，并且可以处理不同的数据格式；而不影响其稳健性。

确保在开始之前已处理丢失的数据。

CatBoost 可以自动处理 calcategori 变量，而不显示类型转换错误，帮助您专注于微调模型，而不是处理小错误。

您可以在本文中找到有关 Catboost 的更多信息：www-DistaSvIDHYA.COM/BLG/2017/08...

Python 代码

import pandas as pd
import numpy as np

from catboost import CatBoostRegressor

#Read training and testing files
train = pd.read_csv("train.csv")
test = pd.read_csv("test.csv")

#Imputing missing values for both train and test
train.fillna(-999, inplace=True)
test.fillna(-999,inplace=True)

#Creating a training set for modeling and validation set to check model performance
X = train.drop(['Item_Outlet_Sales'], axis=1)
y = train.Item_Outlet_Sales

from sklearn.model_selection import train_test_split

X_train, X_validation, y_train, y_validation = train_test_split(X, y, train_size=0.7, random_state=1234)
categorical_features_indices = np.where(X.dtypes != np.float)[0]

#importing library and building model
from catboost import CatBoostRegressormodel=CatBoostRegressor(iterations=50, depth=3, learning_rate=0.1, loss_function='RMSE')

model.fit(X_train, y_train,cat_features=categorical_features_indices,eval_set=(X_validation, y_validation),plot=True)

submission = pd.DataFrame()

submission['Item_Identifier'] = test['Item_Identifier']
submission['Outlet_Identifier'] = test['Outlet_Identifier']
submission['Item_Outlet_Sales'] = model.predict(test)

R 语言代码

set.seed(1)

require(titanic)

require(caret)

require(catboost)

tt <- titanic::titanic_train[complete.cases(titanic::titanic_train),]

data <- as.data.frame(as.matrix(tt), stringsAsFactors = TRUE)

drop_columns = c("PassengerId", "Survived", "Name", "Ticket", "Cabin")

x <- data[,!(names(data) %in% drop_columns)]y <- data[,c("Survived")]

fit_control <- trainControl(method = "cv", number = 4,classProbs = TRUE)

grid <- expand.grid(depth = c(4, 6, 8),learning_rate = 0.1,iterations = 100, l2_leaf_reg = 1e-3,            rsm = 0.95, border_count = 64)

report <- train(x, as.factor(make.names(y)),method = catboost.caret,verbose = TRUE, preProc = NULL,tuneGrid = grid, trControl = fit_control)

print(report)

importance <- varImp(report, scale = FALSE)

print(importance)