上篇博客已经讲了梯度提升树，但只讲了回归，本节讲一下分类，和一些进阶方法。
其实 GBDT 分类和回归思路基本相同，只是由于分类的标签是离散值，无法拟合误差，
解决办法有两种：一种是用指数损失函数，类似Adaboost，另一种是用类似于逻辑回归的对数似然损失函数，也就是输出类别预测的概率值，概率值连续，可以像回归一样拟合误差；
本文仅讨论 对数似然损失函数。
采用类似于逻辑回归的对数似然函数
y 取{-1,1}，是真实标签；此时的负梯度为
有了残差，就可以拟合出一棵 cart 树
此时 cart 树已经能够建立了；
但是由于上式比较复杂，一般使用近似值替代
其余步骤都相同。
采用类似多分类的逻辑回归的对数似然函数
其实就是交叉熵，其中
即 softmax 。
知道这点就行，其他的有些复杂。
注意，GBDT 并没有像 Adaboost 一样每步学习弱学习器，并没有对决策树有任何限制，可深可浅。
三种正则方法
1. 学习率，加法模型，都可以通过学习率防止过拟合
2. 子采样比例，只选取一部分样本来拟合 cart 树，注意比例不能太低
3. 对 cart 树剪枝
import numpy as np import matplotlib.pyplot as plt from sklearn import ensemble from sklearn import datasets from sklearn.utils import shuffle from sklearn.metrics import mean_squared_error # ############################################################################# # Load data boston = datasets.load_boston() print(boston.target) X, y = shuffle(boston.data, boston.target, random_state=13) X = X.astype(np.float32) offset = int(X.shape[0] * 0.9) X_train, y_train = X[:offset], y[:offset] X_test, y_test = X[offset:], y[offset:] # ############################################################################# # Fit regression model params = {‘n_estimators‘: 500, ‘max_depth‘: 4, ‘min_samples_split‘: 2, ‘learning_rate‘: 0.01, ‘loss‘: ‘ls‘} clf = ensemble.GradientBoostingRegressor(**params) clf.fit(X_train, y_train) mse = mean_squared_error(y_test, clf.predict(X_test)) print("MSE: %.4f" % mse) # ############################################################################# # Plot training deviance # compute test set deviance test_score = np.zeros((params[‘n_estimators‘],), dtype=np.float64) for i, y_pred in enumerate(clf.staged_predict(X_test)): test_score[i] = clf.loss_(y_test, y_pred) plt.figure(figsize=(12, 6)) plt.subplot(1, 2, 1) plt.title(‘Deviance‘) plt.plot(np.arange(params[‘n_estimators‘]) + 1, clf.train_score_, ‘b-‘, label=‘Training Set Deviance‘) plt.plot(np.arange(params[‘n_estimators‘]) + 1, test_score, ‘r-‘, label=‘Test Set Deviance‘) plt.legend(loc=‘upper right‘) plt.xlabel(‘Boosting Iterations‘) plt.ylabel(‘Deviance‘) # ############################################################################# # Plot feature importance feature_importance = clf.feature_importances_ # make importances relative to max importance feature_importance = 100.0 * (feature_importance / feature_importance.max()) sorted_idx = np.argsort(feature_importance) pos = np.arange(sorted_idx.shape[0]) + .5 plt.subplot(1, 2, 2) plt.barh(pos, feature_importance[sorted_idx], align=‘center‘) plt.yticks(pos, boston.feature_names[sorted_idx]) plt.xlabel(‘Relative Importance‘) plt.title(‘Variable Importance‘) plt.show()
原文：https://www.cnblogs.com/yanshw/p/11103282.html