XGBoost之切分点算法

作者： 张磊 从事AI医疗算法相关工作

个人微信公众号：

机器学习算法那些事（微信ID：zl13751026985）

前言

上文介绍了XGBoost的算法原理并引出了衡量树结构好坏的打分函数（目标函数），根据特征切分点前后的打分函数选择最佳切分点，但并未对节点的切分算法作详细的介绍。本文详细的介绍了XGBoost的切分点算法， 内容参考陈天奇博士《XGBoost ：A scalable Tree Boosting System》 ，后台回复XGBoost，获取论文下载链接。

目录

1. 并行原理

2. 切分点算法之贪婪算法

3. 切分点算法之分位点算法

4. 切分点算法之权重分位点算法

5. 稀疏数据的切分算法

6. 总结

1. 并行原理

XGBoost是串行生成CART树，但是XGBoost在处理特征时可以做到并行处理，XGBoost并行原理体现在最优切分点的选择，假设样本数据共M个特征，对于某一轮CART树的构建过程中，选择最佳切分点算法如下图：

1. 红色框表示根据每个特征大小对训练数据进行排序，保存为block结构，block个数与特征数量相等。

2. 绿色宽表示对每个block结构选择最佳特征切分点 ，节点切分标准是目标函数下降的程度， 目标函数含义可参考上文  。

3. 黑色框表示比较每个block结构的最佳特征切分点的目标函数下降的增益，选择最佳切分点。

2. 切分点算法之贪婪算法

每一个block结构的切分点算法思路是相同的，因此，我重点介绍某一块block结构的切分点算法。

XGBoost分位点算法：根据特征对样本数据进行排序，然后特征从小到大进行切分，比较每次切分后的目标函数大小，选择下降最大的节点作为该特征的最优切分点。最后比较不同block块结构最优切分点的目标函数下降值，选择下降最大的特征作为最优切分点。

流程图如下：

【例】 下表表示样本的某一列特征数值

根据特征大小对样本重新排序：

贪婪算法切分节点：

红箭头表示每一次的切分节点，选择目标函数下降最大的点作为切分节点。

3. 切分点算法之分位点算法

若特征是连续值，按照上述的贪婪算法，运算量极大 。当样本量足够大的时候，使用特征分位点来切分特征。流程图如下：

【例】 下表表示样本的某一列特征数值，用三分位作为切分节点 。

根据特征大小进行样本排序：

用特征的三分位点作切分节点：

红箭头表示每一次的切分节点，选择目标函数下降最大的点作为切分节点。

4. 切分点算法之权重分位点算法

上节假设样本权重相等，根据样本的分位点来均分损失函数存在偏差，本节用样本权重来均分损失函数。

损失函数如下：

对其变形得到：

xi损失函数可以看做是以以−gi/hi作为label的均方误差，乘以大小hi的权重，换句话说， xi对loss的贡献权重为hi ，构建样本权重的分位点等于误差的均分。

上节假设样本权重相等，特征值的分位点作为切分点，本节假设样本权重是hi，构建样本权重的均分点步骤：

（1）根据特征大小对样本进行排序

（2）定义 排序 函数：

其中x，z表示特征

（3）设置排序函数的分位点为切分点

【例】如下图

特征与对应的排序函数值的关系，如下表：

红色箭头表示以三分位点作为切分点。

最后，选择最优切分点。

5. 稀疏数据的切分算法

稀疏数据在实际项目是非常常见，造成稀疏数据的原因主要有：1. 数据缺失；2. 统计上的 0；3. one-hot编码的特征表示。

稀疏数据的切分点算法：

当出现特征值缺失时，包含缺失特征值的样本被映射到默认的方向分支，然后计算该节点的最优切分点，最优切分点对应的默认切分方向就是特征值缺失时默认的方向。

6. 总结

本文内容是作者对陈天奇博士论文《XGBoos:A Scalable Tree Boosting System》的理解，若有不同的想法，欢迎交流。

参考 ：

陈天奇《 XGBoos:A Scalable Tree Boosting System》

推荐阅读：

1. XGBoost算法原理小结

2. scikit-learn K近邻法类库使用小结

3. 从0开始如何用一个月杀进机器学习比赛Top25%

4. 2018年终精心整理|人工智能爱好者社区历史文章合集（作者篇）

5. 2018年终精心整理 | 人工智能爱好者社区历史文章合集（类型篇）

公众号后台回复关键词学习

回复  直播                 获取系列直播课

回复  Python             1小时破冰入门Python

回复  人工智能         从零入门人工智能

回复 深度学习           手把手教你用 Python 深度学习

回复  机器学习           小白学数据挖掘与机器学习

回复  贝叶斯算法       贝叶斯与新闻分类实战

回复  数据分析师       数据分析师八大能力培养

回复 自然语言处理   自然语言处理之AI深度学习

本文由人工智能爱好者社区 创作，采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。

转载、引用前需联系作者，并署名作者且注明文章出处。

本站文章版权归原作者及原出处所有 。内容为作者个人观点， 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台，并不用于任何商业目的，如果有任何问题，请及时联系我们，我们将根据著作权人的要求，立即更正或者删除有关内容。本站拥有对此声明的最终解释权。