文章插图
【gbdt和xgboost区别 xgb gbdt区别】gbdt和xgboost区别如下:
1、传统GBDT以CART作为基分类器,xgboost还支持线性分类器,这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归(分类问题)或者线性回归(回归问题) 。
2、传统GBDT在优化时只用到一阶导数信息,xgboost则对代价函数进行了二阶泰勒展开,同时用到了一阶和二阶导数 。顺便提一下,xgboost工具支持自定义代价函数,只要函数可一阶和二阶求导 。
3、xgboost在代价函数里加入了正则项,用于控制模型的复杂度 。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和 。从Bias variance tradeoff角度来讲,正则项降低了模型的variance,使学习出来的模型更加简单,防止过拟合,这也是xgboost优于传统GBDT的一个特性 。(关于这个点,接下来详细解释)
4、Shrinkage(缩减),相当于学习速率(xgboost中的eta) 。xgboost在进行完一次迭代后,会将叶子节点的权重乘上该系数,主要是为了削弱每棵树的影响,让后面有更大的学习空间 。实际应用中,一般把eta设置得小一点,然后迭代次数设置得大一点 。(补充:传统GBDT的实现也有学习速率)
5、列抽样(column subsampling)即特征抽样 。xgboost借鉴了随机森林的做法,支持列抽样,不仅能降低过拟合,还能减少计算,这也是xgboost异于传统gbdt的一个特性 。
6、对缺失值的处理 。对于特征的值有缺失的样本,xgboost可以自动学习出它的分裂方向 。
7、xgboost工具支持并行 。boosting不是一种串行的结构吗?怎么并行的?注意xgboost的并行不是tree粒度的并行,xgboost也是一次迭代完才能进行下一次迭代的(第t次迭代的代价函数里包含了前面t1次迭代的预测值) 。xgboost的并行是在特征粒度上的 。
决策树的学习最耗时的一个步骤就是对特征的值进行排序(因为要确定最佳分割点),xgboost在训练之前,预先对数据进行了排序,然后保存为block结构,后面的迭代中重复地使用这个结构,大大减小计算量 。这个block结构也使得并行成为了可能,在进行节点的分裂时,需要计算每个特征的增益,最终选增益最大的那个特征去做分裂,那么各个特征的增益计算就可以开多线程进行 。
可并行的近似直方图算法 。树节点在进行分裂时,需要计算每个特征的每个分割点对应的增益,即用贪心法枚举所有可能的分割点 。当数据无法一次载入内存或者在分布式情况下,贪心算法效率就会变得很低,所以xgboost还提出了一种可并行的近似直方图算法,用于高效地生成候选的分割点 。
- 华为mate20和mate30的区别 mate20和mate30的区别
- 理想教学目标应该是什么和什么的统一体
- 绷带和纱布的区别 纱布绷带和纱布的区别
- 胡萝卜和香菇能一起吃吗 胡萝卜和香菇相克吗
- 海带和柿子能一起吃吗 海带和柿子相克吗
- 隔水炖和直接炖有什么区别 隔水炖和直接炖哪个比较好
- 鸡精和味精的区别 味精和鸡精吃多了都不好
- 在excel中如何求和 Excel中怎样求和
- 地锅和铁锅炖一样吗 地锅和铁锅炖是不是一样的
- 三七粉用酒服用的比例