Gradient Boosting estocástico (SGB)

Machine learning con modelos basados en árboles en Python

Elie Kawerk

Data Scientist

Gradient Boosting: Contras

GB usa una búsqueda exhaustiva.
Cada CART se entrena para hallar los mejores puntos y variables de corte.
Puede hacer que varios CART usen los mismos cortes y hasta las mismas variables.

Gradient Boosting estocástico

Cada árbol se entrena con un subconjunto aleatorio de filas del entrenamiento.
Las instancias muestreadas (40%-80% del entrenamiento) se toman sin reemplazo.
Las variables se muestrean (sin reemplazo) al elegir los cortes.
Resultado: más diversidad en el conjunto.
Efecto: añade más varianza al conjunto de árboles.

Gradient Boosting estocástico: Entrenamiento

SGB

Gradient Boosting estocástico en sklearn (auto dataset)

# Import models and utility functions
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error as MSE

# Set seed for reproducibility
SEED = 1

# Split dataset into 70% train and 30% test
X_train, X_test, y_train, y_test = train_test_split(X,y, 
                                                    test_size=0.3, 
                                                    random_state=SEED)

Gradient Boosting estocástico en sklearn (auto dataset)

# Instantiate a stochastic GradientBoostingRegressor 'sgbt'
sgbt = GradientBoostingRegressor(max_depth=1, 
                                 subsample=0.8,
                                 max_features=0.2,
                                 n_estimators=300,             
                                 random_state=SEED)


# Fit 'sgbt' to the training set
sgbt.fit(X_train, y_train)

# Predict the test set labels
y_pred = sgbt.predict(X_test)

Gradient Boosting estocástico en sklearn (auto dataset)

# Evaluate test set RMSE 'rmse_test'
rmse_test = MSE(y_test, y_pred)**(1/2)

# Print 'rmse_test'
print('Test set RMSE: {:.2f}'.format(rmse_test))

Test set RMSE: 3.95

¡Vamos a practicar!

Machine learning con modelos basados en árboles en Python