本文主要是介绍集成学习之GBDT、XGBOOST、RF，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
GBDT&&XGBOOST
都属于GBM(GradientBoosting Machine)方法，传统GBDT以CART(分类回归树)作为基分类器，利用损失函数的负梯度方向在当前模型的值作为残差的近似值，可以说在RF的基础上又有进一步提升，能灵活的处理各种类型的数据，在相对较小的调参时间下，预测的准确度较高。
XGBOOST基学习器除了树，还支持线性分类器；XGBOOST在代价函数中加入了正则项，用于控制模型的复杂度，防止模型过拟合，当正则项系数为0时与传统的GBDT目标函数相同；XGBOOST支持并行计算(特征排序为block结构，可以运行在MPI和YARN上，自动调用CPU多线程进行并行计算)，适合处理大数据；支持列抽样，防止过拟合，减少计算；XGBOOST有shrinkage(缩减)策略，相当于学习速率；XGBOOST用到了二阶导，GBDT只用到一阶导(联想梯度下降和牛顿法)；XGBOOST增加了缺失值处理方案，自动学习分裂方向，GBDT的求解不断寻找分割点，将样本集进行分割，分配到分裂开的子节点上，选择依据是减少Loss，用于加速和减小内存消耗。XGBOOS可以通过求函数极值点(求导)的方式获得最优解析解，GBDT用梯度下降法迭代求解XGBOOST实现利用了分块、预取、压缩、多线程协作的思想。
GBDT模型的参数：n_estimators:最大弱学习器的个数；learning_rate:弱学习器的权重缩减系数，步长；subsample:不放回子采样，(0,1]；init:初始化时候的弱学习器；loss:GBDT模型的损失函数，分类有对数似然损失函数和指数损失函数两种选择，回归有均方差ls，绝对损失lad，huber损失，分位数损失等；alpha:做回归时才有的分位数值。max_features:划分时最大特征数；max_depth:决策树最大深度(10-100常用)；min_samples_split:内部节点再划分所需最小样本数；min_samples_leaf:叶子节点最少样本数；min_weight_fraction_leaf:叶子节点最小的样本权重和；max_leaf_nides:最大叶子节点数；min_impurity_split:节点划分最小不纯度(默认1e-7)。
XGBOOST模型的参数：通用参数booster: gbtree和gblinear；silent:0/1，默认为0；nthread:默认为最大可能的线程数。
Booster参数：eta学习率，类似于learningrate，默认0.3；min_child_weight最小叶子节点样本权重和，用于避免过拟合，默认为1；max_depth:决策树的最大深度，用于避免过拟合，默认为6；max_leaf_nodes:树上最大的节点或叶子的数目；gamma:节点分裂所需最小损失函数下降值，默认为0；max_delta_step:每棵树权重改变的最大步长，默认为0；subsample:随机采样的比例，默认值为1；colsample_bytree:随机采样列数的占比，默认为1；colsample_bylevel:树的每一级分裂，列数采样的比例，默认为1；lambda：L2正则化项系数，默认为1；scale_pos_weight:样本类别不均衡时设置为正值可以加快算法的收敛，默认值为1。
学习目标参数：objective:损失函数类型，有binary二分类(logistic)，multi多分类(softmax)，默认linear；eval_metric:评价指标，有MSE，MAE，RMSE，ERROR，AUC等；seed:随机数的种子，可以复现随机数据的结果，默认为0。
RF
集成学习根据基学习器的生成方式，可分为两大类：即基学习器之间存在强依赖关系，必须串行生成的序列化方法；基学习器之间不存在强依赖关系，可同时生成的并行化方法，前者的代表是Boosting，后者的代表是Bagging和RF。
RF：Random Forest是Bagging的扩展变体，以决策树为基学习器，在决策树的训练过程中引入了随机特征选择，可概括为四部分：随机选择样本、随机选择特征(从样本集的特征集合中随机选择部分特征)、构建决策树、随机森林投票。RF每棵决策树都最大可能的进行生长而不剪枝，在对预测输出进行结合时，RF通常对分类问题使用简单投票法，回归问题使用简单平均法。RF和Bagging的对比：RF的起始性能较差，随着学习器数目增多，随机森林通常会收敛到更低的泛化误差，使用随机性选择的特征，训练效率高。噪声较大时容易产生过拟合。
这篇关于集成学习之GBDT、XGBOOST、RF的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
