Gradient Boosting (GB)

Машинне навчання з деревоподібними моделями в Python

Elie Kawerk

Data Scientist

Gradient Boosted Trees

Послідовне виправлення помилок попередника.
Не змінює ваги навчальних прикладів.
Кожен предиктор навчається на залишкових помилках попередника як на мітках.
Gradient Boosted Trees: як базовий алгоритм використовується CART.

Gradient Boosted Trees для регресії: навчання

Навчання GBT

Зменшення кроку (shrinkage)

Коефіцієнт навчання GBT

Gradient Boosted Trees: передбачення

Регресія:
- $y_{pred} = y_1 + \eta r_1 + ... + \eta r_N$
- У sklearn: GradientBoostingRegressor.
Класифікація:
- У sklearn: GradientBoostingClassifier.

Gradient Boosting у sklearn (набір даних 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

Давайте потренуємось!

Машинне навчання з деревоподібними моделями в Python