Gradient boosting

Ансамблеві методи в Python

Román de las Heras

Data Scientist, Appodeal

Вступ до gradient boosting

function_objective.png

  1. Початкова модель (слабкий оцінювач): $y\sim f_1(X)$
  2. Нова модель підганяється під залишки: $y-f_1(X)\sim f_2(X)$
  3. Новa адитивна модель: $y\sim f_1(X)+f_2(X)$
  4. Повторюйте $n$ разів або доки похибка не стане малою
  5. Підсумкова адитивна модель: $$y\sim f_1(X)+f_2(X)+ ... +f_n(x)=\sum_{i=1}^{n} f_i(X)$$
Ансамблеві методи в Python

Еквівалентність градієнтному спуску

function_residuals.png

Градієнтний спуск:

function_loss.png

function_gradient.png

Залишки = від'ємний градієнт

function_gradient_negative.png

Ансамблеві методи в Python

Класифікатор gradient boosting

Gradient Boosting Classifier

from sklearn.ensemble import GradientBoostingClassifier

clf_gbm = GradientBoostingClassifier(
   n_estimators=100,
   learning_rate=0.1,
   max_depth=3,
   min_samples_split,
   min_samples_leaf,
   max_features
)
  • n_estimators
    • Типово: 100
  • learning_rate
    • Типово: 0.1
  • max_depth
    • Типово: 3
  • min_samples_split
  • min_samples_leaf
  • max_features
Ансамблеві методи в Python

Регресор gradient boosting

Gradient Boosting Regressor

from sklearn.ensemble import GradientBoostingRegressor

reg_gbm = GradientBoostingRegressor(
   n_estimators=100,
   learning_rate=0.1,
   max_depth=3,
   min_samples_split,
   min_samples_leaf,
   max_features
)
Ансамблеві методи в Python

Час підсилювати!

Ансамблеві методи в Python

Preparing Video For Download...