gbdt 回归特征重要性排序_GBDT 理解

作者：繁依Fanyi0 | 2024-07-07 11:15:21

踩

gbdt特征重要性

https://blog.csdn.net/yyy430/article/details/85108797blog.csdn.net 梯度提升树(GBDT)原理小结 - 刘建平Pinard - 博客园www.cnblogs.com https://www.cnblogs.com/peizhe123/p/5086128.htmlwww.cnblogs.com 七月在线：机器学习面试题精讲（二）zhuanlan.zhihu.com

https://blog.csdn.net/blank_tj/article/details/82262431blog.csdn.net https://blog.csdn.net/zpalyq110/article/details/79527653blog.csdn.net xxxk：XGBoost与GBDT(二)-算法推导zhuanlan.zhihu.com

https://blog.csdn.net/yc1203968305/article/details/78251400blog.csdn.net


Bagging和Boosting区别:
Bagging算法和Boosting都属于集成算法，最重要的假设是：当弱模型被正确组合时，
我们可以得到更精确和/或更鲁棒的模型。
 
bagging 的重点在于获得一个方差比其组成部分更小的集成模型，而 boosting 和 stacking
 则将主要生成偏差比其组成部分更低的强模型（即使方差也可以被减小）
 
Bagging和Boosting 的主要区别:
 1. Bagging采取Bootstraping的是随机有放回的取样，Boosting的每一轮训练的样本是固定的
    ，改变的是每个样本的权重。
 2. Bagging 的各个预测函数可以并行生成;Boosting的各个预测函数必须按照顺序迭代生成
 
将Bagging和Boosting分别和树模型结合分别生成：
   Bagging+决策树=随机森林
   Boosting+决策树=GBDT
 
随机森林优缺点:
 优点：1) 很容易查看模型的输入特征的相对重要性
       2) 可以处理高维数据  
       3) 因为是 属于Bagging所以模型的泛化能力强 (方差小)
 缺点：1）使用大量的树会使算法变得很慢，无法做到实时预测
       2）对于回归问题，精准度不够
       3）抗噪声干扰能力弱，无法自动处理异常样本

为什么当GBDT用作分类任务时可以选择deviance loss和exponential loss, 而这两个损失函数的y^(i)取值都为0-1标量, 如何计算残差?

答：在GBDT做二分类任务时, y^(i)不再是标量, 而是概率(为正的概率); 另一方面, deviance loss(二分类就是交叉熵损失)和exponential loss都是评价预测(概率)与真实(概率)之间的差距, 也就是残差, 是一个连续值, 从而是一个回归问题.

残差和负梯度什么关系？

GBDT认为每棵残差树只学到了真实情况的一小部分，希望通过每次走一小步的方式逐渐逼近真实结果，认为这样比每次迈一大步的方式更容易避免过拟合，这就是shrinkage的思想

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/繁依Fanyi0/article/detail/795468

gbdt 回归 特征重要性 排序_GBDT 理解

gbdt 回归特征重要性排序_GBDT 理解