目录

• 提升树
• 一、提升树学习目标
• 二、提升树引入
• 三、提升树详解
  • 3.1 加法模型
  • 3.2 前向分步算法
  • 3.3 提升树与AdaBoost算法
  • 3.4 回归提升树
    • 3.4.1 前向分步算法
    • 3.4.2 平方误差损失函数
• 四、回归提升树流程
  • 4.1 输入
  • 4.2 输出
• 五、流程
• 六、提升树优缺点
  • 6.1 优点
  • 6.2 缺点
• 七、小结

更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等着你：https://www.cnblogs.com/nickchen121/p/11686958.html

提升树

提升树(boosting tree)是以分类树或回归树作为弱学习器的强学习器。

提升树模型用的是加法模型，算法用的是前向分步算法，弱学习器是决策树的集成学习方法。

一、提升树学习目标

1. 加法模型
2. 前向分步算法
3. 提升树与AdaBoost算法
4. 回归提升树流程
5. 提升树优缺点

二、提升树引入

假设Nick的年龄是25岁。

1. 第1棵决策树

把Nick的年龄设置成初始值0岁去学习，如果第1棵决策树预测Nick的年龄是12岁，即残差值为25−12=13$25-12=13$
2. 第2课决策树
1. 把Nick的年龄设置成残差值13岁去学习，如果第2棵决策树能把Nick分到13岁的叶子节点，累加两棵决策树的预测值加和12+13=25$12+13=25$，就是Nick的真实年龄25岁
2. 如果第2棵决策树的得到的是10岁，残差值为25−12−10=3$25-12-10=3$
3. 第3课决策树

把Nick的年龄设置成残差值3岁去学习……
4. 继续重复上述过程学习，不断逼近Nick的真实年龄

三、提升树详解

3.1 加法模型

提升树模型可以表示为决策树的加法模型

fM(x)=∑i=1MT(x;θm)$$f_M(x)=\sum _{i=1}^{M}T(x;{\theta }_m)$$

其中T(x;θm)$T(x;{\theta }_m)$表示决策树；θm${\theta }_m$表示决策树的参数；M$M$为树的个数。

3.2 前向分步算法

提升树模型使用的是前向分布算法，即假设初始提升树f0(x)=0$f_0(x)=0$，第m$m$步的模型是

fm(x)=fm−1(x)+T(x;θm)$$f_m(x)=f_{m-1}(x)+T(x;{\theta }_m)$$

其中fm−1(x)$f_{m-1}(x)$为当前模型，通过经验风险极小化确定一下课决策树的参数θm${\theta }_m$

θm^=argminθm∑i=1mL(yi,fm−1(xi)+T(xi;θm))$$\widehat{{\theta }_m}=\underset{{\theta }_m}{\underbrace{argmin}}\sum _{i=1}^{m}L(y_i,f_{m-1}(x_i)+T(x_i;{\theta }_m))$$

3.3 提升树与AdaBoost算法

AdaBoost算法使用的是前向分步算法，利用前一轮弱学习器的误差率更新训练数据的权重；提升树使用的也是前向分步算法，但是提升树如其名，他的弱学习器只能使用决策树，一般使用CART树，然后他的迭代思路也与AdaBoost算法不同

假设提升树在t−1$t-1$轮的强学习器为ft−1(x)$f_{t-1}(x)$，目标函数是

L(y,fm−1(x))$$L(y,f_{m-1}(x))$$

在第t$t$轮的目标则是找到一个弱学习器(决策树)ht(x)$h_t(x)$，最小化第t$t$轮的目标函数

L(y,fm(x))=L(yi,fm−1(x)+T(x;θm))$$L(y,f_m(x))=L(y_i,f_{m-1}(x)+T(x;{\theta }_m))$$

但是当AdaBoost算法中的弱学习器为二类分类树的时候，其实AdaBoost就是提升树，即可以说分类提升树算法是AdaBoost算法的一种特殊情况。

3.4 回归提升树

有m$m$个数据n$n$个特征的训练数据集T={(x,y1),(x2,y2),⋯,(xm,ym)}$T=\{(x_{,}{y}_1),(x_2,y_2),\cdots ,(x_m,y_m)\}$，如果将输入空间划分为k$k$互不相交的区域R1,R2,⋯,Rj$R_1,R_2,\cdots ,R_j$，并且在每个区域上确定输出的常量cj$c_j$，决策树可以表示为

T(x;θ)=∑j=1JcjI(x∈Rj)$$T(x;\theta )=\sum _{j=1}^J{c}_{j}I(x\in R_j)$$

其中，θ={(R1,c1),(R2,c2),⋯,(RJ,cJ)}表示树的区域划分和各区域上的常数，$\theta =\{(R_1,c_1),(R_2,c_2),\cdots ,(R_J,c_J)\}表示树的区域划分和各区域上的常数，$J$是回归树的叶节点个数。

3.4.1 前向分步算法

f0(x)=0f1(x)=f0(x)+T(x;θ1)⋯fm(x)=fm−1(x)+T(x,θm),m=1,2,⋯,MfM(x)=∑m=1MT(x;θm)(1)(2)(3)(4)(5)$$\begin{array}{}\text{(1)}& & f_0(x)=0\text{(2)}& & f_1(x)=f_0(x)+T(x;{\theta }_1)\text{(3)}& & \cdots \text{(4)}& & f_m(x)=f_{m-1}(x)+T(x,{\theta }_m),m=1,2,\cdots ,M\text{(5)}& & f_M(x)=\sum _{m=1}^{M}T(x;{\theta }_m)\end{array}$$

在第m$m$步fm(x)=fm−1(x)+T(x,θm)$f_m(x)=f_{m-1}(x)+T(x,{\theta }_m)$的时候，给定了fm−1(x)$f_{m-1}(x)$，需要求解第m$m$棵的参数θm^$\widehat{{\theta }_m}$

θm^=argminθm∑i=1mL(yi,fm−1(xi)+T(xi;θm))$$\widehat{{\theta }_m}=\underset{{\theta }_m}{\underbrace{argmin}}\sum _{i=1}^{m}L(y_i,f_{m-1}(x_i)+T(x_i;{\theta }_m))$$

3.4.2 平方误差损失函数

对于第m$m$棵树的参数θm^$\widehat{{\theta }_m}$，可以采用平方误差损失函数L(y,f(x))=(y−f(x))2$L(y,f(x))=(y-f(x){)}^2$求解，树的损失变为

L(y,fm−1(x)+T(x;θm))=[y−fm−1(x)−T(x;θm)]2=[r−T(x;θm)]2(6)(7)$$\begin{array}{}\text{(6)}& L(y,f_{m-1}(x)+T(x;{\theta }_m))& =[y-f_{m-1}(x)-T(x;{\theta }_m){]}^2\text{(7)}& & =[r-T(x;{\theta }_m){]}^2\end{array}$$

其中r=y−fm−1(x)$r=y-f_{m-1}(x)$是当前模型拟合数据的残差。

对于回归提升树，只需简单地拟合当前模型的残差。

四、回归提升树流程

4.1 输入

有m$m$个数据n$n$个特征的训练数据集T={(x,y1),(x2,y2),⋯,(xm,ym)}$T=\{(x_{,}{y}_1),(x_2,y_2),\cdots ,(x_m,y_m)\}$。

4.2 输出

回归提升树fM(x)$f_M(x)$。

五、流程

1. 初始化f0(x)=0$f_0(x)=0$
2. 对m=1,2,⋯,M$m=1,2,\cdots ,M$
   1. 计算残差rmi=yi−fm−1(xi),i=1,2,⋯,m$r_{mi}=y_i-f_{m-1}(x_i),i=1,2,\cdots ,m$
   2. 拟合残差rmi$r_{mi}$学习一个回归树，得到T(x;θm)$T(x;{\theta }_m)$
   3. 更新fm(x)=fm−1(x)+T(x;θm)$f_m(x)=f_{m-1}(x)+T(x;{\theta }_m)$
3. 得到回归提升树

fM(x)=∑i=1MT(x;θm)$$f_M(x)=\sum _{i=1}^{M}T(x;{\theta }_m)$$

六、提升树优缺点

6.1 优点

1. 既可以解决分类问题，又可以解决回归问题

6.2 缺点

1. 弱学习器之间存在依赖关系，难以并行训练
2. 提升树只是简单的拟合模型的残差，并不准确

七、小结

提升树属于Boosting系列算法，他和AdaBoost有相似之处的，并且当AdaBoost算法中的弱学习器为二类分类树的时候，梯度提升树就是一种特殊的AdaBoost算法。

由于提升树是由简单的残差计算得到的，所以在某种程度上来说，提升树是有一定缺陷的，为了解决这个问题，一般会采用梯度提升树来弥补。