? 因?yàn)橛脴?shù)模型太習(xí)以為常了，以至于看到這個(gè)標(biāo)題很容易覺(jué)得這很顯然。但越簡(jiǎn)單的東西越容易出現(xiàn)知識(shí)盲區(qū)，仔細(xì)想一下好像確實(shí)有點(diǎn)疑問(wèn)：GBDT 用的是回歸樹(shù)，是如何做的分類(lèi)呢？ - 作者：1直在路上1 -https://www.cnblogs.com/always-fight/p/9400346.html 編輯：阿澤的學(xué)習(xí)筆記 ?

一 簡(jiǎn)介

GBDT 在傳統(tǒng)機(jī)器學(xué)習(xí)算法里面是對(duì)真實(shí)分布擬合的最好的幾種算法之一，在前幾年深度學(xué)習(xí)還沒(méi)有大行其道之前，GBDT 在各種競(jìng)賽是大放異彩。原因大概有幾個(gè)

效果確實(shí)挺不錯(cuò)；

既可以用于分類(lèi)也可以用于回歸；

可以篩選特征。

這三點(diǎn)實(shí)在是太吸引人了，導(dǎo)致在面試的時(shí)候大家也非常喜歡問(wèn)這個(gè)算法。

GBDT 是通過(guò)采用加法模型（即基函數(shù)的線(xiàn)性組合），以及不斷減小訓(xùn)練過(guò)程產(chǎn)生的殘差來(lái)達(dá)到將數(shù)據(jù)分類(lèi)或者回歸的算法。

GBDT 通過(guò)多輪迭代，每輪迭代產(chǎn)生一個(gè)弱分類(lèi)器，每個(gè)分類(lèi)器在上一輪分類(lèi)器的殘差基礎(chǔ)上進(jìn)行訓(xùn)練。對(duì)弱分類(lèi)器的要求一般是足夠簡(jiǎn)單，并且是低方差和高偏差的。因?yàn)橛?xùn)練的過(guò)程是通過(guò)降低偏差來(lái)不斷提高最終分類(lèi)器的精度。

二 GBDT如何用于分類(lèi)的

第一步：「訓(xùn)練的時(shí)候，是針對(duì)樣本 X 每個(gè)可能的類(lèi)都訓(xùn)練一個(gè)分類(lèi)回歸樹(shù)」。如目前的訓(xùn)練集共有三類(lèi)，即 K = 3，樣本 x 屬于第二類(lèi)，那么針對(duì)樣本x的分類(lèi)結(jié)果，我們可以用一個(gè)三維向量 [0,1,0] 來(lái)表示，0 表示不屬于該類(lèi)，1 表示屬于該類(lèi)，由于樣本已經(jīng)屬于第二類(lèi)了，所以第二類(lèi)對(duì)應(yīng)的向量維度為 1，其他位置為 0。

針對(duì)樣本有三類(lèi)的情況，我們實(shí)質(zhì)上是在每輪的訓(xùn)練的時(shí)候是同時(shí)訓(xùn)練三顆樹(shù)。第一顆樹(shù)針對(duì)樣本 x 的第一類(lèi)，輸入是 ，第二顆樹(shù)針對(duì)樣本x的第二類(lèi)，輸入是 ，第三顆樹(shù)針對(duì)樣本x的第三類(lèi)，輸入是 。

在對(duì)樣本 x 訓(xùn)練后產(chǎn)生三顆樹(shù)，對(duì) x 類(lèi)別的預(yù)測(cè)值分別是 ，那么在此類(lèi)訓(xùn)練中，樣本 x 屬于第一類(lèi)，第二類(lèi)，第三類(lèi)的概率分別是：

然后可以求出針對(duì)第一類(lèi)，第二類(lèi)，第三類(lèi)的殘差分別是：

然后開(kāi)始第二輪訓(xùn)練，針對(duì)第一類(lèi)輸入為 ，針對(duì)第二類(lèi)輸入為 ，針對(duì)第三類(lèi)輸入為 ，繼續(xù)訓(xùn)練出三顆樹(shù)。一直迭代M輪，每輪構(gòu)建三棵樹(shù)當(dāng)訓(xùn)練完畢以后，新來(lái)一個(gè)樣本 ，我們需要預(yù)測(cè)該樣本的類(lèi)別的時(shí)候，便產(chǎn)生三個(gè)值 ，則樣本屬于某個(gè)類(lèi)別 c 的概率為：

三 GBDT多分類(lèi)舉例說(shuō)明

下面以 Iris 數(shù)據(jù)集的六個(gè)數(shù)據(jù)為例來(lái)展示 GBDT 多分類(lèi)的過(guò)程

具體應(yīng)用到 gbdt 多分類(lèi)算法。我們用一個(gè)三維向量來(lái)標(biāo)志樣本的 label，[1,0,0] 表示樣本屬于山鳶尾，[0,1,0] 表示樣本屬于雜色鳶尾，[0,0,1] 表示屬于維吉尼亞鳶尾。

gbdt 的多分類(lèi)是針對(duì)每個(gè)類(lèi)都獨(dú)立訓(xùn)練一個(gè) CART Tree。所以這里，我們將針對(duì)山鳶尾類(lèi)別訓(xùn)練一個(gè) CART Tree 1。雜色鳶尾訓(xùn)練一個(gè) CART Tree 2 。維吉尼亞鳶尾訓(xùn)練一個(gè)CART Tree 3，這三個(gè)樹(shù)相互獨(dú)立。

我們以樣本 1 為例：

針對(duì) CART Tree1 的訓(xùn)練樣本是 [5.1,3.5,1.4,0.2]，label 是 1，模型輸入為 [5.1, 3.5, 1.4, 0.2, 1]

針對(duì) CART Tree2 的訓(xùn)練樣本是 [5.1,3.5,1.4,0.2]，label 是 0，模型輸入為 [5.1, 3.5, 1.4, 0.2, 0]

針對(duì) CART Tree3 的訓(xùn)練樣本是 [5.1,3.5,1.4,0.2]，label 是 0，模型輸入為[5.1, 3.5, 1.4, 0.2, 0]

下面我們來(lái)看 CART Tree1 是如何生成的，其他樹(shù) CART Tree2 , CART Tree 3 的生成方式是一樣的。CART Tree 的生成過(guò)程是從這四個(gè)特征中找一個(gè)特征做為 CART Tree1 的節(jié)點(diǎn)。

比如花萼長(zhǎng)度做為節(jié)點(diǎn)。6 個(gè)樣本當(dāng)中花萼長(zhǎng)度大于等于 5.1 cm 的就是 A 類(lèi)，小于 5.1 cm 的是 B 類(lèi)。生成的過(guò)程其實(shí)非常簡(jiǎn)單，問(wèn)題

是哪個(gè)特征最合適？

是這個(gè)特征的什么特征值作為切分點(diǎn)？

即使我們已經(jīng)確定了花萼長(zhǎng)度做為節(jié)點(diǎn)?；ㄝ嚅L(zhǎng)度本身也有很多值。在這里我們的方式是遍歷所有的可能性，找到一個(gè)最好的特征和它對(duì)應(yīng)的最優(yōu)特征值可以讓當(dāng)前式子的值最?。?/p>

我們以第一個(gè)特征的第一個(gè)特征值為例。R1 為所有樣本中花萼長(zhǎng)度小于 5.1cm 的樣本集合，R2 為所有樣本中花萼長(zhǎng)度大于等于 5.1cm 的樣本集合，所以 。

為 R1 所有樣本label的均值：， 為 R2 所有樣本 label 的均值：

下面計(jì)算損失函數(shù)的值，采用平方誤差，分別計(jì)算 R1 和 R2 的誤差平方和，樣本 2 屬于 R1 的誤差：，樣本 1，3，4，5，6 屬于 R2 的誤差和：

接著我們計(jì)算第一個(gè)特征的第二個(gè)特征值，即 R1 為所有樣本中花萼長(zhǎng)度小于 4.9 cm 的樣本集合，R2 為所有樣本當(dāng)中花萼長(zhǎng)度大于等于 4.9 cm 的樣本集合，， 為 R1 所有樣本 label 的均值：0， 為 R2 所有樣本 label 的均值：

計(jì)算所有樣本的損失值，樣本 1 和 2 屬于 R2，損失值為：，樣本 3，4，5，6 也屬于 R2，損失值為：，兩組損失值和為 2.222，大于特征一的第一個(gè)特征值的損失值，所以我們不取這個(gè)特征的特征值。

「繼續(xù)，這里有四個(gè)特征，每個(gè)特征有六個(gè)特征值，所有需要 6*4=24 個(gè)損失值的計(jì)算，我們選取值最小的分量的分界點(diǎn)作為最佳劃分點(diǎn)，這里我們就不一一計(jì)算了，直接給出最小的特征花萼長(zhǎng)度，特征值為 5.1 cm。這個(gè)時(shí)候損失函數(shù)最小為 0.8。于是我們的預(yù)測(cè)函數(shù)此時(shí)也可以得到:」

「此例子中，訓(xùn)練完以后的最終式子為：」

由這個(gè)式子，我們得到對(duì)樣本屬于類(lèi)別 1 的預(yù)測(cè)值：，同理我們可以得到對(duì)樣本屬于類(lèi)別 2，3 的預(yù)測(cè)值 ，樣本屬于類(lèi)別 1 的概率

責(zé)任編輯：xj

原文標(biāo)題：GBDT 如何用于分類(lèi)問(wèn)題

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)自然語(yǔ)言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。