Gradient Boosting (GB)

Uczenie maszynowe z modelami drzewiastymi w Pythonie

Elie Kawerk

Data Scientist

Gradient Boosted Trees

Sekwencyjna korekcja błędów poprzednika.
Nie modyfikuje wag instancji treningowych.
Każdy predyktor jest trenowany na błędach resztowych poprzednika.
Gradient Boosted Trees: drzewo CART jako bazowy estymator.

Gradient Boosted Trees – regresja: trening

Schemat trenowania GBT

Shrinkage

GBT ze współczynnikiem uczenia

Gradient Boosted Trees: predykcja

Regresja:
- $y_{pred} = y_1 + \eta r_1 + ... + \eta r_N$
- W sklearn: GradientBoostingRegressor.
Klasyfikacja:
- W sklearn: GradientBoostingClassifier.

Gradient Boosting w sklearn (zbiór auto)

# 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)

# Instantiate a GradientBoostingRegressor 'gbt'
gbt = GradientBoostingRegressor(n_estimators=300, max_depth=1, random_state=SEED)


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

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

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

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

Test set RMSE: 4.01

Czas na ćwiczenia!

Uczenie maszynowe z modelami drzewiastymi w Pythonie