一、概述
GBDT（Gradient Boosting Decision Tree，梯度提升决策树）是集成学习中提升（Boosting）方法的典型代表。它以决策树（通常是 CART 树，即分类回归树）作为弱学习器，通过迭代的方式，不断拟合残差（回归任务）或负梯度（分类任务），逐步构建一系列决策树，最终将这些树的预测结果进行累加，得到最终的预测值。
二、算法原理
1. 梯度下降思想
梯度下降是一种常用的优化算法，用于寻找函数的最小值。在 GBDT 中，它扮演着至关重要的角色。假设我们有一个损失函数 L ( y , y ^ ) L\left( y,\hat{y} \right) L(y,y^)，其中 y y y是真实值， y ^ \hat y y^是预测值。梯度下降的目标就是通过不断调整模型参数，使得损失函数的值最小化。具体来说，每次迭代时，沿着损失函数关于参数的负梯度方向更新参数，以逐步接近最优解。在 GBDT 中，虽然没有显式地更新参数（通过构建多颗决策树来拟合目标），但拟合的目标是损失函数的负梯度，本质上也是利用了梯度下降的思想。
2. 决策树的构建
GBDT 使用决策树作为弱学习器。决策树是一种基于树结构的预测模型，它通过对数据特征的不断分裂，将数据划分成不同的子集，每个子集对应树的一个节点。在每个节点上，通过某种准则（如回归任务中的平方误差最小化，分类任务中的基尼指数最小化）选择最优的特征和分裂点，使得划分后的子集在目标变量上更加 “纯净” 或具有更好的区分度。通过递归地进行特征分裂，直到满足停止条件（如达到最大树深度、节点样本数小于阈值等），从而构建出一棵完整的决策树。
3. 迭代拟合的过程
(1) 初始化模型
首先，初始化一个简单的模型，通常是一个常数模型，记为 f 0 ( X ) f_0(X) f0(X) ，其预测值为所有样本真实值的均值（回归任务）或多数类（分类任务），记为 y ^ 0 \hat y_0 y^0。此时，模型的预测结果与真实值之间存在误差。
(2) 计算残差或负梯度
在回归任务中，计算每个样本的残差，即真实值 y i y_i yi与当前模型预测值 y ^ i , t − 1 \hat y_{i,t-1} y^i,t−1的差值 r i , t = y i − y ^ i , t − 1 r_{i,t}=y_i-\hat y_{i,t-1} ri,t=yi−y^i,t−1，其中表示迭代的轮数。在分类任务中，计算损失函数关于当前模型预测值的负梯度 g i , t = − ϑ L ( y i , y ^ i , t − 1 ) ϑ y ^ i , t − 1 g_{i,t}=-\frac{\vartheta L(y_i,\hat y_{i,t-1})}{\vartheta \hat y_{i,t-1}} gi,t=−ϑy^i,t−1ϑL(yi,y^i,t−1)
(3) 拟合决策树
使用计算得到的残差（回归任务）或负梯度（分类任务）作为新的目标值，训练一棵新的决策树 f t ( X ) f_t(X) ft(X)。这棵树旨在拟合当前模型的误差，从而弥补当前模型的不足。
(4) 更新模型
根据新训练的决策树，更新当前模型。更新公式为 y ^ i , t = y ^ i , t − 1 + α f t ( x i ) \hat y_{i,t}=\hat y_{i,t-1}+\alpha f_t(x_i) y^i,t=y^i,t−1+αft(xi)，其中是学习率（也称为步长），用于控制每棵树对模型更新的贡献程度。学习率较小可以使模型训练更加稳定，但需要更多的迭代次数；学习率较大则可能导致模型收敛过快，甚至无法收敛。
(5) 重复迭代
重复步骤 (2)–(4)步，不断训练新的决策树并更新模型，直到达到预设的迭代次数、损失函数收敛到一定程度或满足其他停止条件为止。最终，GBDT 模型由多棵决策树组成，其预测结果是所有决策树预测结果的累加。
算法过程图示
GBDT 算法将梯度下降思想与决策树相结合，通过迭代拟合残差或负梯度，逐步构建一个强大的集成模型。它在处理复杂数据和非线性关系时表现较为出色，在数据挖掘、机器学习等领域得到了广泛的应用。然而，GBDT 也存在一些缺点，如训练时间较长、对异常值较为敏感等，在实际应用中需要根据具体情况进行优化和调整 。
三、Python实现
(环境：Python 3.11，scikit-learn 1.5.1)
分类情形
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingClassifier
from sklearn import metrics# 生成样本数据
X, y = make_classification(n_samples=1000, n_features=50, n_informative=10, n_redundant=5, random_state=1)# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)# 创建GDBT分类模型
gbc = GradientBoostingClassifier(n_estimators=100, learning_rate=1.0, max_depth=1, random_state=1)# 训练模型
gbc.fit(X_train, y_train)# 进行预测
y_pred = gbc.predict(X_test)# 计算准确率
accuracy = metrics.accuracy_score(y_test,y_pred)
print('准确率为：',accuracy)
回归情形
from sklearn.datasets import make_regression
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error# 生成样本数据
X, y = make_regression(n_samples=1000, n_features=10, n_informative=5, noise=0.1, random_state=42)# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 创建GDBT回归模型
model = GradientBoostingRegressor(n_estimators=100, learning_rate=0.1, random_state=42)# 训练模型
model.fit(X_train, y_train)# 在测试集上进行预测
y_pred = model.predict(X_test)# 计算均方误差
mse = mean_squared_error(y_test, y_pred)
print(f"MSE: {mse}")
End.
下载
)
