Objektivní (ztrátové) funkce a základní modely

Extreme Gradient Boosting with XGBoost

Sergey Fogelson

Head of Data Science, TelevisaUnivision

Objektivní funkce a jejich účel

Vyjadřuje, jak daleko je předpověď od skutečné hodnoty
Měří rozdíl mezi odhadnutými a skutečnými hodnotami na daných datech
Cíl: Nalézt model s minimální hodnotou ztrátové funkce

Běžné ztrátové funkce a XGBoost

Názvy ztrátových funkcí v xgboost:
- reg:squarederror – pro regresní úlohy
- reg:logistic – pro klasifikaci, když chceme pouze rozhodnutí, ne pravděpodobnost
- binary:logistic – pokud chceme pravděpodobnost místo pouhého rozhodnutí

Základní modely a jejich účel

XGBoost vytváří meta-model složený z mnoha dílčích modelů, které společně tvoří finální předpověď
Dílčí modely = základní modely (base learners)
Jejich kombinací vzniká nelineární finální předpověď
Každý základní model by měl dobře zachycovat jinou část dat
Dva typy základních modelů: stromové a lineární

Stromy jako základní model: Scikit-learn API

import xgboost as xgb
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split

boston_data = pd.read_csv("boston_housing.csv")

X, y = boston_data.iloc[:,:-1],boston_data.iloc[:,-1]

X_train, X_test, y_train, y_test= train_test_split(X, y, test_size=0.2, 
                                                        random_state=123)

xg_reg = xgb.XGBRegressor(objective='reg:squarederror', n_estimators=10,
                                                  seed=123)
xg_reg.fit(X_train, y_train)

preds = xg_reg.predict(X_test)

Stromy jako základní model: Scikit-learn API

rmse = np.sqrt(mean_squared_error(y_test,preds))

print("RMSE: %f" % (rmse))

RMSE: 129043.2314

Lineární základní model: pouze learning API

import xgboost as xgb
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split

boston_data = pd.read_csv("boston_housing.csv")

X, y = boston_data.iloc[:,:-1],boston_data.iloc[:,-1]

X_train, X_test, y_train, y_test= train_test_split(X, y, test_size=0.2, 
                                                         random_state=123)

DM_train = xgb.DMatrix(data=X_train,label=y_train)
DM_test =  xgb.DMatrix(data=X_test,label=y_test)

params = {"booster":"gblinear","objective":"reg:squarederror"}

xg_reg = xgb.train(params = params, dtrain=DM_train, num_boost_round=10)

preds = xg_reg.predict(DM_test)

Lineární základní model: pouze learning API

rmse = np.sqrt(mean_squared_error(y_test,preds))

print("RMSE: %f" % (rmse))

RMSE: 124326.24465

Pojďme na to!

Extreme Gradient Boosting with XGBoost