你听过 CatBoost 吗？本文教你如何使用 CatBoost 进行快速梯度提升

关注

发布于: 2020 年 10 月 19 日

在本文中，我们将仔细研究一个名为 CatBoost 的梯度增强库。

在梯度提升中，预测是由一群弱学习者做出的。与为每个样本创建决策树的随机森林不同，在梯度增强中，树是一个接一个地创建的。模型中的先前树不会更改。前一棵树的结果用于改进下一棵树。在本文中，我们将仔细研究一个名为 CatBoost 的梯度增强库。

CatBoost 是Yandex开发的深度方向梯度增强库。它使用遗忘的决策树来生成平衡树。相同的功能用于对树的每个级别进行左右拆分。

（CatBoost 官方链接：https://github.com/catboost）

与经典树相比，遗忘树在 CPU 上实现效率更高，并且易于安装。

处理分类特征

在机器学习中处理分类的常见方法是单热编码和标签编码。CatBoost 允许您使用分类功能，而无需对其进行预处理。

使用 CatBoost 时，我们不应该使用一键编码，因为这会影响训练速度以及预测质量。相反，我们只需要使用cat_features 参数指定分类特征即可。

使用 CatBoost 的优点

以下是考虑使用 CatBoost 的一些原因：

CatBoost 允许在多个 GPU 上训练数据。
使用默认参数可以提供很好的结果，从而减少了参数调整所需的时间。
由于减少了过度拟合，因此提高了精度。
使用 CatBoost 的模型应用程序进行快速预测。
经过训练的 CatBoost 模型可以导出到 Core ML 进行设备上推理（iOS）。
可以在内部处理缺失值。
可用于回归和分类问题。

训练参数

让我们看一下 CatBoost 中的常用参数：

loss_function 别名为 objective -用于训练的指标。这些是回归指标，例如用于回归的均方根误差和用于分类的对数损失。
eval_metric —用于检测过度拟合的度量。
iterations -待建的树的最大数量，默认为 1000。别名是 num_boost_round， n_estimators和 num_trees。
learning_rate 别名 eta -学习速率，确定模型将学习多快或多慢。默认值通常为 0.03。
random_seed 别名 random_state —用于训练的随机种子。
l2_leaf_reg 别名 reg_lambda —成本函数的 L2 正则化项的系数。默认值为 3.0。
bootstrap_type —确定对象权重的采样方法，例如贝叶斯，贝努利，MVS 和泊松。
depth —树的深度。
grow_policy —确定如何应用贪婪搜索算法。它可以是 SymmetricTree， Depthwise或 Lossguide。 SymmetricTree 是默认值。在中 SymmetricTree，逐级构建树，直到达到深度为止。在每个步骤中，以相同条件分割前一棵树的叶子。当 Depthwise 被选择，一棵树是内置一步步骤，直到指定的深度实现。在每个步骤中，将最后一棵树级别的所有非终端叶子分开。使用导致最佳损失改善的条件来分裂叶子。在中 Lossguide，逐叶构建树，直到达到指定的叶数。在每个步骤中，将损耗改善最佳的非终端叶子进行拆分
min_data_in_leaf 别名 min_child_samples —这是一片叶子中训练样本的最小数量。此参数仅与 Lossguide 和 Depthwise 增长策略一起使用。
max_leaves alias num_leaves —此参数仅与Lossguide 策略一起使用，并确定树中的叶子数。
ignored_features —表示在培训过程中应忽略的功能。
nan_mode —处理缺失值的方法。选项包括 Forbidden， Min，和 Max。默认值为 Min。当 Forbidden 使用时，缺失值导致错误的存在。使用 Min，缺少的值将作为该功能的最小值。在中 Max，缺失值被视为特征的最大值。
leaf_estimation_method —用于计算叶子中值的方法。在分类中，使用 10 Newton 次迭代。使用分位数或 MAE 损失的回归问题使用一次 Exact 迭代。多分类使用一次 Netwon 迭代。
leaf_estimation_backtracking —在梯度下降过程中使用的回溯类型。默认值为 AnyImprovement。 AnyImprovement 减小下降步长，直至损失函数值小于上次迭代的值。 Armijo 减小下降步长，直到满足 Armijo条件。
boosting_type —加强计划。它可以plain 用于经典的梯度增强方案，也可以用于或 ordered，它在较小的数据集上可以提供更好的质量。
score_function — 分数类型，用于在树构建过程中选择下一个拆分。 Cosine 是默认选项。其他可用的选项是 L2， NewtonL2和 NewtonCosine。
early_stopping_rounds —当时 True，将过拟合检测器类型设置为， Iter 并在达到最佳度量时停止训练。
classes_count —多重分类问题的类别数。
task_type —使用的是 CPU 还是 GPU。CPU 是默认设置。
devices —用于训练的 GPU 设备的 ID。
cat_features —具有分类列的数组。
text_features -用于在分类问题中声明文本列。