1_XGBoost原理
\[ \begin{align} X\!G\!Boost&=eXtreme+GBDT\\ &=eXtreme+(Gradient+BDT) \\ &=eXtreme+Gradient+(Boosting+DecisionTree) \end{align} \]
\[Boosting \to BDT \to GBDT \to X\!G\!Boost\]
* 提升方法boosting + 决策树DecisionTree --> BDT提升决策树
* BDT + Gradient梯度拟合残差 --> GBDT梯度提升决策树
* GBDT + eXtreme工程优化 --> XGBoost
决策树的表示形式：
（1）树形结构，由根结点到叶结点 （2）规则集表示方法，if--else--- （3）回归树 在坐标系中画出回归决策树 （4）用公式表示
决策树的特征选择方法
决策树的剪枝方法
1_1_提升方法（Boosting）
提升方法使用加法模型和前向分步算法。
加法模型：要求模型要具备可加性（如：决策树）
加法模型
\[f\left(x\right)=\sum_{m=1}^M\beta_m b\left(x;\gamma_m\right) \tag{1.1}\]
其中，\(b\left(x;\gamma_m\right)\)为基函数，\(\gamma_m\)为基函数的参数，\(\beta_m\)为基函数的系数。
给定数据集，学习加法模型，变成了经验分险最小化的问题
在给定训练数据\(\{\left(x_i,y_i\right)\}_{i=1}^N\)及损失函数\(L\left(y,f\left(x\right)\right)\)的条件下，学习加法模型\(f\left(x\right)\)成为经验风险极小化问题：
\[\min_{\beta_m,\gamma_m}\sum_{i=1}^N L\left(y_i,\sum_{m=1}^M\beta_m b\left(x_i;\gamma_m\right)\right)\tag{1.2}\]
加法模型算法，不在针对加法模型优化，而是针对加法模型的一部分，对一个个基模型优化。
对一个基模型优化之后，累加到当前模型上，再优化下一个基模型，这样把一个问题拆解成一系列小问题。
前向分步算法求解这一优化问题的思路：因为学习的是加法模型，可以从前向后，每一步只学习一个基函数及其系数，逐步逼近优化目标函数式（1.2），则可以简化优化复杂度。具体地，每步只需优化如下损失函数：
\[\min_{\beta,\gamma}\sum_{i=1}^N L\left(y_i,\beta b\left(x_i;\gamma\right)\right)\tag{1.3}\]
算法1.1 前向分步算法
输入：训练数据集\(T=\{\left(x_1,y_1\right),\left(x_2,y_2\right),\dots,\left(x_N,y_N\right)\}\)； 损失函数\(L\left(y,f\left(x\right)\right)\)；基函数集合\(\{b\left(x;\gamma\right)\}\)；
输出：加法模型\(f\left(x\right)\)
（1）初始化\(f_0\left(x\right)=0\)
（2）对\(m=1,2,\dots,M\)
（a）极小化损失函数
\[\left(\beta_m,\gamma_m\right)=\mathop{\arg\min}_{\beta,\gamma} \sum_{i=1}^N L\left(y_i, f_{m-1}\left(x_i\right)+\beta b\left(x_i;\gamma\right)\right) \tag{1.4}\]
得到参数\(\beta_m\)，\(\gamma_m\)
（b）更新
\[f_m\left(x\right)=f_{m-1}\left(x\right)+\beta_m b\left(x;\gamma_m\right) \tag{1.5}\]
（3）得到加法模型
\[f\left(x\right)=f_M\left(x\right)=\sum_{m=1}^M\beta_m b\left(x;\gamma_m\right) \tag{1.6}\]
前向分步算法将同时求解从\(m=1\)到\(M\)所有参数\(\beta_m,\gamma_m\)的优化问题简化为逐次求解各个\(\beta_m, \gamma_m\)的优化问题。
每个基函数学习能力不同，给每个基函数加上权重，学习时，也学习了权重\(\beta_m\)
\({\gamma_m}\)是模型内的参数
一般boosting时，基函数不一定是决策树
1_2_提升决策树 （BDT，Boosting Decision Tree）
以决策树为基函数的提升方法为提升决策树。
提升决策树模型可以表示为决策树的加法模型：
\[f_M=\sum_{m=1}^M T\left(x;\Theta_m\right) \tag{2.1}\]
其中，\(T\left(x;\Theta_m\right)\)表示决策树；\(\Theta_m\)为决策树的参数；\(M\)为树的个数。
这里没有权重，默认权重省略
提升决策树采用前向分步算法。首先确定初始提升决策树\(f_0\left(x\right)=0\)，第\(m\)步的模型是
\[f_m\left(x\right)=f_{m-1}\left(x\right)+T\left(x;\Theta_m\right) \tag{2.2}\]
其中，\(f_{m-1}\left(x\right)\)为当前模型，通过经验风险极小化确定下一棵决策树的参数\(\Theta_m\)，
\[\hat{\Theta}_m=\mathop{\arg\min}_{\Theta_m}\sum_{i=1}^N L\left(y_i,f_{m-1}\left(x_i\right)+T\left(x_i;\Theta_m\right)\right) \tag{2.3}\]
已知训练数据集\(T=\{\left(x_1,y_1\right),\left(x_2,y_2\right),\dots\left(x_N,y_N\right)\}\)，\(x_i\in\mathcal{X}\subseteq\mathbb{R}^n\)，\(\mathcal{X}\)为输入空间，\(y_i\in\mathcal{Y}\subseteq\mathbb{R}\)，\(\mathcal{Y}\)为输出空间。如果将输入空间\(\mathcal{X}\)划分为\(J\)个互不相交的区域\(R_1,R_2,\dots,R_J\)，并且在每个区域上确定输出的常量\(c_j\)，那么决策树可表示为
\[T\left(x;\Theta\right)=\sum_{j=1}^J c_j I\left(x\in R_j\right) \tag{2.4}\]
其中，参数\(\Theta=\{\left(R_1,c_1\right),\left(R_2,c_2\right),\dots,\left(R_J,c_J\right)\}\)表示决策树的区域划分和各区域上的常量值。\(J\)是决策树的复杂度即叶子结点个数。
决策树的表示：将输入空间X划分成J个互不相交的区域，相当于叶子结点，每个区域输出的常量\(C_j\)，就是叶子的输出值
判断x是\(C_j\)叶子中的样本，才会输出\(C_j\)值，\(I\)是条件函数，当x属于\({{R_j}}\)时，\(I=1\)；当x不属于\(R_j\)，\(I=0\)。
回归树 + softmax/sigmoid --> 分类问题
提升决策树使用以下前向分步算法：
\[\begin{align}
f_0\left(x\right)&=0 \\
f_m\left(x\right)&=f_{m-1}\left(x\right)+T\left(x;\Theta_m\right),\quad m=1,2,\dots,M \\
f_M\left(x\right)&=\sum_{m=1}^M T\left(x;\Theta_m\right)
\end{align}\]
在前向分步算法的第\(m\)步，给定当前模型\(f_{m-1}\left(x\right)\)，需要求解
\[\hat{\Theta}_m=\mathop{\arg\min}_{\Theta_m}\sum_{i=1}^N L\left(y_i,f_{m-1}\left(x_i\right)+T\left(x_i;\Theta_m\right)\right)\]
得到\(\hat{\Theta}_m\)，即第\(m\)棵树的参数。
当采用平方误差损失函数时，
\[L\left(y,f\left(x\right)\right)=\left(y-f\left(x\right)\right)^2\]
其损失变为
\[\begin{align} L\left(y,f_{m-1}\left(x\right)+T\left(x;\Theta_m\right)\right) &=\left[y-f_{m-1}\left(x\right)-T\left(x;\Theta_m\right)\right]^2 \\ &=\left[r-T\left(x;\Theta_m\right)\right]^2 \end{align}\]
其中，
\[r=y-f_{m-1}\left(x\right) \tag{2.5}\]
是当前模型拟合数据的残差（residual）。对回归问题的提升决策树，只需要简单地拟合当前模型的残差。
公式（2.5）和平方误差损失函数\(L\left(y,f\left(x\right)\right)=\left(y-f\left(x\right)\right)^2\)对比
\(r\)如果是实际输出，\({T(x;\Theta_m)}\)就是拟合预测输出，
\(r\)表示当前模型的残差，则公式（2.5）表示对新的树的拟合
算法2.1 回归问题的提升决策树算法
输入：训练数据集\(T=\{\left(x_1,y_1\right),\left(x_2,y_2\right),\dots,\left(x_N,y_N\right)\}\)；
输出：提升决策树\(f_M\left(x\right)\)
（1）初始化\(f_0\left(x\right)=0\)
（2）对\(m=1,2,\dots,M\)
（a）按照式（2.5）计算残差
\[r_{mi}=y_i-f_{m-1}\left(x_i\right), \quad i=1,2,\dots,N\]
（b)拟合残差\(r_{mi}\)学习一个回归树，得到\(T\left(x;\Theta_m\right)\)
（c）更新$f_m\left(x\right)=f_{m-1}\left(x\right)+T\left(x;\Theta_m\right) $
（3）得到回归提升决策树
\[f_M\left(x\right)=\sum_{m=1}^M T\left(x;\Theta_m\right) \]
什么时候循环结束呢？
- 1.指定循环次数
- 2.当残差小到一定程度
1_3_梯度提升决策树 （GBDT，Gradient Boosting Decision Tree）
梯度提升算法使用损失函数的负梯度在当前模型的值
\[-\left[\frac{\partial L\left(y,f\left(x_i\right)\right)}{\partial f\left(x_i\right)}\right]_{f\left(x\right)=f_{m-1}\left(x\right)} \tag{3.1}\]
作为回归问题提升决策树算法中残差的近似值，拟合一个回归树。
用（3.1）代替，做当前残差的近似值
损失函数\(L\left(y,f\left(x_i\right)\right)\)是二元函数，其中\(y\)是已知的变量
这里不是在参数空间，而是在函数空间是损失越来越小
在函数空间中，用损失函数对函数\(f(x_i)\)求导的负梯度，近似残差值
算法3.1 梯度提升算法
输入：训练数据集\(T=\{\left(x_1,y_1\right),\left(x_2,y_2\right),\dots,\left(x_N,y_N\right)\}\)； 损失函数\(L\left(y,f\left(x\right)\right)\)
输出：梯度提升决策树\(\hat{f}\left(x\right)\)
（1）初始化
\[f_0\left(x\right)=\mathop{\arg\min}_c\sum_{i=1}^N L\left(y_i,c\right)\]
（2）对\(m=1,2,\dots,M\)
（a）对\(i=1,2,\dots,N\)，计算
\[r_{mi}=-\left[\frac{\partial L\left(y,f\left(x_i\right)\right)}{\partial f\left(x_i\right)}\right]_{f\left(x\right)=f_{m-1}\left(x\right)}\]
（b)对\(r_{mi}\)拟合一个回归树，得到第\(m\)棵树的叶结点区域\(R_{mj},j=1,2,\dots,J\)
（c）对\(j=1,2,\dots,J\)，计算
\[c_{mj}=\mathop{\arg\min}_c\sum_{x_i\in R_{mj}} L\left(y_i, f_{m-1}\left(x_i\right)+c\right)\]
（d）更新\(f_m\left(x\right)=f_{m-1}\left(x\right)+\sum_{j=1}^J c_{mj} I\left(x\in R_{mj}\right)\)
（3）得到回归梯度提升决策树
\[\hat{f}\left(x\right)=f_M\left(x\right)=\sum_{m=1}^M \sum_{j=1}^J c_{mj} I\left(x\in R_{mj}\right) \]
1_4_极致梯度提升决策树（XGBoost，eXtreme Gradient Boosting Decision Tree）
训练数据集\(\mathcal{D}=\{\left(\mathbf{x}_i,y_i\right)\}\)，其中\(\mathbf{x}_i\in\mathbb{R}^m,y_i\in\mathbb{R},\left|\mathcal{D}\right|=n\)。
决策树模型
\[f\left(\mathbf{x}\right)=w_{q\left(\mathbf{x}\right)} \tag{4.1}\]
其中，\(q:\mathbb{R}^m\to \{1,\dots,T\},w\in\mathbb{R}^T\),\(T\)为决策树叶子节点数。
公式（4.1）中\(w_{q\left(\mathbf{x}\right)}\) 表示：输入一个\(x\)，经过函数\({q\left(\mathbf{x}\right)}\)，就可以得到样本\(x\)属于哪个叶子结点，\(w\)表示那个叶子结点的评分
\({q\left(\mathbf{x}\right)}\)输出的是叶子序号
\(w\)是一个向量空间，里面有\(T\)个数，一个数对应一个叶子的评分
\(w_{q\left(\mathbf{x}\right)}\)就是某一个叶子的评分
提升决策树模型预测输出
\[\hat{y}_i=\phi\left(\mathbf{x}_i\right)=\sum_{k=1}^K f_k\left(\mathbf{x}_i\right) \tag{4.2}\]
其中，\(f_k\left(\mathbf{x}\right)\)为第\(k\)棵决策树。
正则化目标函数
\[\mathcal{L}\left(\phi\right)=\sum_i l\left(\hat{y}_i,y_i\right)+\sum_k \Omega\left(f_k\right) \tag{4.3}\]
其中，\(\Omega\left(f\right)=\gamma T+\frac{1}{2}\lambda\|w\|^2=\gamma T+\frac{1}{2}\lambda\sum_{j=1}^T w_j^2\)。
损失函数最小化，会使模型越来越复杂，要把复杂程度在正则化中体现出来
- 不能让评分\(w\)太高，评分要放到正则化中
- 叶子越多，树就越复杂，叶子的数量也要放到正则化中,不是对每一个叶子加约束,而是对所有叶子的和加约束,整体叶子和的评分小可以保证叶子的个数少，进而使树模型简单。
第\(t\)轮目标函数
\[\mathcal{L}^{\left(t\right)}=\sum_{i=1}^n l\left(y_i,\hat{y}^{\left(t-1\right)}_i+f_t\left(\mathbf{x}_i\right)\right)+\Omega\left(f_t\right) \tag{4.4}\]
泰勒二阶展开中
\(\hat{y}^{\left(t-1\right)}_i\)是已知变量，相当于\(x\)， \({f_t({x}_i)}\)相当于\(\Delta{x}\)
\[f(x+\Delta x)\approx f(x) + f^{\prime}\left(x\right)\Delta x + \frac{f^{\prime \prime}\left(x\right)\Delta x^{2}}{2} + O\]
第\(t\)轮目标函数在\(\hat{y}^{\left(t-1\right)}\)处的二阶泰勒展开
\[\mathcal{L}^{\left(t\right)}\simeq\sum_{i=1}^n\left[l\left(y_i,\hat{y}^{\left(t-1\right)}\right)+g_i f_t\left(\mathbf{x}_i\right)+\frac{1}{2}h_i f^2_t\left(\mathbf{x}_i\right)\right]+\Omega\left(f_t\right) \tag{4.5}\]
其中，\(g_i=\partial_{\hat{y}^{\left(t-1\right)}}l\left(y_i,\hat{y}^{\left(t-1\right)}\right),h_i=\partial^2_{\hat{y}^{\left(t-1\right)}}l\left(y_i,\hat{y}^{\left(t-1\right)}\right)\)。
优化的目标是\({f_t({x}_i)}\)，但是\(l\left(y_i,\hat{y}^{\left(t-1\right)}\right)\)当前的损失，已知变量，对公式求解没有作用，求导后为\(0\)，所以可以移除
第\(t\)轮目标函数的二阶泰勒展开移除关于
\(f_t\left(\mathbf{x}_i\right)\)常数项
\[\begin{align} \tilde{\mathcal{L}}^{\left(t\right)}&=\sum_{i=1}^n\left[g_i f_t\left(\mathbf{x}_i\right)+\frac{1}{2}h_i f^2_t\left(\mathbf{x}_i\right)\right]+\Omega\left(f_t\right) \tag{4.6}\\ &=\sum_{i=1}^n\left[g_i f_t\left(\mathbf{x}_i\right)+\frac{1}{2}h_i f^2_t\left(\mathbf{x}_i\right)\right]+\gamma T+\frac{1}{2}\lambda\sum_{j=1}^T w_j^2 \end{align} \\\]
定义叶结点\(j\)上的样本的下标集合\(I_j=\{i|q\left(\mathbf{x}_i\right)=j\}\)，则目标函数可表示为按叶结点累加的形式
$$$$
\(I_j\)表示叶子结点\(j\)的样本集合
由公式\(f\left(\mathbf{x}\right)=w_{q\left(\mathbf{x}\right)}\)得\({f_t({x}_i)}\)-->\(w_j\)
\[\tilde{\mathcal{L}}^{\left(t\right)}=\sum_{j=1}^T\left[\left(\sum_{i\in I_j}g_i\right)w_j+\frac{1}{2}\left(\sum_{i\in I_j}h_i+\lambda\right)w_j^2\right]+\gamma T \tag{4.7}\]
求导时，T个叶子中，只有一个是当前叶子，则其他叶子对当前叶子求导为0
在以上的计算中，\(T\)一直作为常量，\(T\)是决策树的叶子结点数，也就是说，在前面计算每个叶子结点的最佳输出值的时候，\(T\)个叶子结点必须先确定下来，意味着树的形状必须先确定。
以上假设，当树的形状确定后，经过计算，求得叶子输出值是\(w^*\)
但我们不知道树的结构，此时需要把\(w^*\)反带回目标函数。
由于\[w_j^*=\mathop{\arg\min}_{w_j}\tilde{\mathcal{L}}^{\left(t\right)}\]
可令\[\frac{\partial\tilde{\mathcal{L}}^{\left(t\right)}}{\partial w_j}=0\]
得到每个叶结点\(j\)的最优分数为
\[w_j^*=-\frac{\sum_{i\in I_j}g_i}{\sum_{i\in I_j} h_i+\lambda} \tag{4.8}\]
代入每个叶结点\(j\)的最优分数，得到最优化目标函数值
\[\tilde{\mathcal{L}}^{\left(t\right)}\left(q\right)=-\frac{1}{2}\sum_{j=1}^T \frac{\left(\sum_{i\in I_j} g_i\right)^2}{\sum_{i\in I_j} h_i+\lambda}+\gamma T \tag{4.9}\]
\(\tilde{\mathcal{L}}^{\left(t\right)}\left(q\right)\)中\(\frac{\left(\sum_{i\in I_j} g_i\right)^2}{\sum_{i\in I_j} h_i+\lambda}\)和\(w^*\)中的\(\frac{\sum_{i\in I_j}g_i}{\sum_{i\in I_j} h_i+\lambda}\)非常相似
可以理解成\(\tilde{\mathcal{L}}^{\left(t\right)}\left(q\right)\)由一个个叶子结点累加得到的（每个叶子结点累积的损失，得到最优损失），认为叶子结点输出对目标函数贡献度的度量
假设\(I_L\)和\(I_R\)分别为分裂后左右结点的实例集，令\(I=I_L\cup I_R\)，则分裂后损失减少量由下式得出
\[\mathcal{L}_{split}=\frac{1}{2}\left[\frac{\left(\sum_{i\in I_L} g_i\right)^2}{\sum_{i\in I_L}h_i+\lambda}+\frac{\left(\sum_{i\in I_R} g_i\right)^2}{\sum_{i\in I_R}h_i+\lambda}-\frac{\left(\sum_{i\in I} g_i\right)^2}{\sum_{i\in I}h_i+\lambda}\right]-\gamma \tag{4.10}\]
用以评估待分裂结点。
xgboost广度优先，一层一层分裂
对每个整个数据集遍历，每个样本、特征都计算，以\(\mathcal{L}_{split}\)作为度量指标,值最小的最优
XGBoost的分裂指标：
1.假定树结构-->2.计算出每个节点的预测输出后-->3.反带回目标函数-->4.其中每一项认为是每个叶子结点损失度量-->5.用这个损失度量去表示作为分裂时的分裂依据-->6.遍历数据集所有数据特征后，找到最优的分裂结点\(\mathcal{L}_{split}\)的最小值-->7.分裂成左右支树后，按照相同规则分裂
算法4.1 分裂查找的精确贪婪算法
输入：当前结点实例集\(I\);特征维度\(d\)
输出：根据最大分值分裂
（1）\(gain\leftarrow 0\)
（2）\(G\leftarrow\sum_{i\in I}g_i\)，\(H\leftarrow\sum_{i\in I}h_i\)
（3）for \(k=1\) to \(d\) do
（3.1）\(G_L \leftarrow 0\)，\(H_L \leftarrow 0\)
（3.2）for \(j\) in sorted(\(I\), by \(\mathbf{x}_{jk}\)) do
（3.2.1）\(G_L \leftarrow G_L+g_j\)，\(H_L \leftarrow H_L+h_j\)
（3.2.2）\(G_R \leftarrow G-G_L\)，\(H_R=H-H_L\)
（3.2.3）\(score \leftarrow \max\left(score,\frac{G_L^2}{H_L+\lambda}+\frac{G_R^2}{H_R+\lambda}-\frac{G^2}{H+\lambda}\right)\)
（3.3）end
（4）end
算法4.2 分裂查找的近似贪婪算法
（1）for \(k=1\) to \(d\) do
（1.1）通过特征\(k\)的百分位数求候选分割点\(S_k=\{s_{k1},s_{k2},\dots,s_{kl}\}\)
（1.2）可以在每颗树生成后（全局），可以在每次分裂后（局部）
（2）end
（3）for \(k=1\) to \(m\) do
（3.1）\(G_{kv}\gets =\sum_{j\in\{j|s_{k,v}\geq\mathbf{x}_{jk}>s_{k,v-1}\}}g_j\)
（3.2）\(H_{kv}\gets =\sum_{j\in\{j|s_{k,v}\geq\mathbf{x}_{jk}>s_{k,v-1}\}}h_j\)
（4）end
按照与前一节相同的步骤，在提议的分割中找到最大值。
候选分割点\(S_k=\{s_{k1},s_{k2},\dots,s_{kl}\}\)中，
令
\[s_{k1}=\min_i\mathbf{x}_{ik},s_{kl}=\max_i\mathbf{x}_{ik}\]
其余各分割点满足
\[|r_k\left(s_{k,j}\right)-r_k\left(s_{k,j+1}\right)|<\epsilon \tag{4.11}\]
其中，函数\(r_k:\mathbb{R}\to[0,+\infty)\)
\[r_k\left(z\right)=\frac{1}{\sum_{\left(x,h\right)\in\mathcal{D}_k}h}\sum_{\left(x,h\right)\in\mathcal{D}_k,x<z}h\]
\(\mathcal{D}_k=\{\left(x_{1k},h_1\right),\left(x_{2k},h_2\right),\dots,\left(x_{nk},h_n\right)\}\)
\(h_i\)作为数据点权重的原因是由于，将式（4.6）重写
可得\[\sum_{i=1}^n\frac{1}{2}h_i\left(f_t\left(\mathbf{x}_i\right)-g_i/h_i\right)^2+\Omega\left(f_t\right)+constant\]
即是权重为\(h_i\)的\(f_t\left(\mathbf{x}_i\right)\)对\(g_i/h_i\)的加权平方损失。
本篇学习笔记来自七月在线机器学习训练营陈老师的课件，是我至今见过最详细的xgboost推导过程，
陈老师课上推导更精彩，所以，我在根据老师上课推导，在原课件基础上，细化了一些内容，希望对理解有所帮助。
如果内容有错，还请指正，谢谢！