Градиентный бустинг (GB)

Машинное обучение на основе древовидных моделей в Python

Elie Kawerk

Data Scientist

Gradient Boosted Trees

Последовательное исправление ошибок предшественника.
Веса обучающих примеров не изменяются.
Каждый предиктор обучается на остатках ошибок предыдущего.
Gradient Boosted Trees: в качестве базового алгоритма используется CART.

Gradient Boosted Trees для регрессии: обучение

Обучение GBT

Сжатие (Shrinkage)

GBT и скорость обучения

Gradient Boosted Trees: предсказание

Регрессия:
- $y_{pred} = y_1 + \eta r_1 + ... + \eta r_N$
- В sklearn: GradientBoostingRegressor.
Классификация:
- В sklearn: GradientBoostingClassifier.

Градиентный бустинг в sklearn (набор данных 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 потренируемся!

Машинное обучение на основе древовидных моделей в Python