?

adaboost和GBDT的區(qū)別以及xgboost和GBDT的區(qū)別

AdaBoost:提高那些被前一輪弱分類器錯誤分類樣本的權(quán)值，而降低那些被正確分類樣本的權(quán)值。這樣一來，那些沒有得到正確分類的數(shù)據(jù)，由于其權(quán)值的加大而受到后一輪的弱分類器的更大關(guān)注，于是，分類問題就被一系列的弱分類器“分而治之”。至于第二個問題，即弱分類器的組合，AdaBoost采取加權(quán)多數(shù)表決的方法。具體地，加大分類誤差率小的弱分類器的權(quán)值，使其在表決中起較大的作用，減小分類誤差率較大的弱分類器的權(quán)值，使其在表決中起較小的作用。

GBDT和其它Boosting算法一樣，通過將表現(xiàn)一般的數(shù)個模型（通常是深度固定的決策樹）組合在一起來集成一個表現(xiàn)較好的模型。抽象地說，模型的訓(xùn)練過程是對一任意可導(dǎo)目標(biāo)函數(shù)的優(yōu)化過程。通過反復(fù)地選擇一個指向負(fù)梯度方向的函數(shù)，該算法可被看做在函數(shù)空間里對目標(biāo)函數(shù)進(jìn)行優(yōu)化。因此可以說Gradient Boosting = Gradient Descent + Boosting。

AdaBoost V.S. GBDT

和AdaBoost一樣，Gradient Boosting也是重復(fù)選擇一個表現(xiàn)一般的模型并且每次基于先前模型的表現(xiàn)進(jìn)行調(diào)整。不同的是，AdaBoost是通過提升錯分?jǐn)?shù)據(jù)點(diǎn)的權(quán)重來定位模型的不足而Gradient Boosting是通過算梯度（gradient）來定位模型的不足。因此相比AdaBoost, Gradient Boosting可以使用更多種類的目標(biāo)函數(shù),而當(dāng)目標(biāo)函數(shù)是均方誤差時，計(jì)算損失函數(shù)的負(fù)梯度值在當(dāng)前模型的值即為殘差。

GBDT V.S. LR(Linear Regression? Logistic Regression?)
從決策邊界來說，線性回歸的決策邊界是一條直線，邏輯回歸的決策邊界是一條曲線，而GBDT的決策邊界可能是很多條線。

GBDT并不一定總是好于線性回歸或邏輯回歸。根據(jù)沒有免費(fèi)的午餐原則，沒有一個算法是在所有問題上都能好于另一個算法的。根據(jù)奧卡姆剃刀原則，如果GBDT和線性回歸或邏輯回歸在某個問題上表現(xiàn)接近，那么我們應(yīng)該選擇相對比較簡單的線性回歸或邏輯回歸。具體選擇哪一個算法還是要根據(jù)實(shí)際問題來決定。

以上部分轉(zhuǎn)載自https://www.zhihu.com/question/54626685?from=profile_question_card

adaboost一般用于分類，gbt一般用于回歸

機(jī)器學(xué)習(xí)算法中GBDT和XGBOOST的區(qū)別有哪些？

• 基分類器的選擇：傳統(tǒng)GBDT以CART作為基分類器，XGBoost還支持線性分類器，這個時候XGBoost相當(dāng)于帶L1和L2正則化項(xiàng)的邏輯斯蒂回歸（分類問題）或者線性回歸（回歸問題）。

• 二階泰勒展開：傳統(tǒng)GBDT在優(yōu)化時只用到一階導(dǎo)數(shù)信息，XGBoost則對代價(jià)函數(shù)進(jìn)行了二階泰勒展開，同時用到了一階和二階導(dǎo)數(shù)。順便提一下，XGBoost工具支持自定義損失函數(shù)，只要函數(shù)可一階和二階求導(dǎo)。

• 方差-方差權(quán)衡：XGBoost在目標(biāo)函數(shù)里加入了正則項(xiàng)，用于控制模型的復(fù)雜度。正則項(xiàng)里包含了樹的葉子節(jié)點(diǎn)個數(shù)TT、每個葉子節(jié)點(diǎn)上輸出分?jǐn)?shù)的L2模的平方和。從Bias-variance tradeoff角度來講，正則項(xiàng)降低了模型的variance，使學(xué)習(xí)出來的模型更加簡單，防止過擬合，這也是XGBoost優(yōu)于傳統(tǒng)GBDT的一個特性。

• Shrinkage（縮減）：相當(dāng)于學(xué)習(xí)速率（xgboost中的??）。XGBoost在進(jìn)行完一次迭代后，會將葉子節(jié)點(diǎn)的權(quán)重乘上該系數(shù)，主要是為了削弱每棵樹的影響，讓后面有更大的學(xué)習(xí)空間。實(shí)際應(yīng)用中，一般把eta設(shè)置得小一點(diǎn)，然后迭代次數(shù)設(shè)置得大一點(diǎn)。（補(bǔ)充：傳統(tǒng)GBDT的實(shí)現(xiàn)也有學(xué)習(xí)速率）

• 列抽樣（column subsampling）：XGBoost借鑒了隨機(jī)森林的做法，支持列抽樣，不僅能降低過擬合，還能減少計(jì)算，這也是XGBoost異于傳統(tǒng)GBDT的一個特性。
• 缺失值處理：XGBoost考慮了訓(xùn)練數(shù)據(jù)為稀疏值的情況，可以為缺失值或者指定的值指定分支的默認(rèn)方向，這能大大提升算法的效率，paper提到50倍。即對于特征的值有缺失的樣本，XGBoost可以自動學(xué)習(xí)出它的分裂方向。
• XGBoost工具支持并行：Boosting不是一種串行的結(jié)構(gòu)嗎?怎么并行的？注意XGBoost的并行不是tree粒度的并行，XGBoost也是一次迭代完才能進(jìn)行下一次迭代的（第tt次迭代的損失函數(shù)里包含了前面t?1t?1次迭代的預(yù)測值）。XGBoost的并行是在特征粒度上的。我們知道，決策樹的學(xué)習(xí)最耗時的一個步驟就是對特征的值進(jìn)行排序（因?yàn)橐_定最佳分割點(diǎn)），XGBoost在訓(xùn)練之前，預(yù)先對數(shù)據(jù)進(jìn)行了排序，然后保存為block(塊)結(jié)構(gòu)，后面的迭代中重復(fù)地使用這個結(jié)構(gòu)，大大減小計(jì)算量。這個block結(jié)構(gòu)也使得并行成為了可能，在進(jìn)行節(jié)點(diǎn)的分裂時，需要計(jì)算每個特征的增益，最終選增益最大的那個特征去做分裂，那么各個特征的增益計(jì)算就可以開多線程進(jìn)行。
• 線程緩沖區(qū)存儲：按照特征列方式存儲能優(yōu)化尋找最佳的分割點(diǎn)，但是當(dāng)以行計(jì)算梯度數(shù)據(jù)時會導(dǎo)致內(nèi)存的不連續(xù)訪問，嚴(yán)重時會導(dǎo)致cache miss，降低算法效率。paper中提到，可先將數(shù)據(jù)收集到線程內(nèi)部的buffer（緩沖區(qū)），主要是結(jié)合多線程、數(shù)據(jù)壓縮、分片的方法，然后再計(jì)算，提高算法的效率。
• 可并行的近似直方圖算法：樹節(jié)點(diǎn)在進(jìn)行分裂時，我們需要計(jì)算每個特征的每個分割點(diǎn)對應(yīng)的增益，即用貪心法枚舉所有可能的分割點(diǎn)。當(dāng)數(shù)據(jù)無法一次載入內(nèi)存或者在分布式情況下，貪心算法效率就會變得很低，所以xgboost還提出了一種可并行的近似直方圖算法，用于高效地生成候選的分割點(diǎn)。大致的思想是根據(jù)百分位法列舉幾個可能成為分割點(diǎn)的候選者，然后從候選者中根據(jù)上面求分割點(diǎn)的公式計(jì)算找出最佳的分割點(diǎn)。

總結(jié)

以上是生活随笔為你收集整理的adaboost和GBDT的区别以及xgboost和GBDT的区别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。