本文共 865 字,大约阅读时间需要 2 分钟。
残差版本把GBDT说成一个残差迭代树,认为每一棵回归树都在学习前N-1棵树的残差。
Gradient版本把GBDT说成一个梯度迭代树,使用梯度下降法求解,认为每一棵回归树在学习前N-1棵树的梯度下降值。而Gradient Boost与传统的Boost的区别是,每一次的计算是为了减少上一次的残差(residual),而为了消除残差,我们可以在残差减少的梯度(Gradient)方向上建立一个新的模型。所以说,在Gradient Boost中,每个新的模型的简历是为了使得之前模型的残差往梯度方向减少,与传统Boost对正确、错误的样本进行加权有着很大的区别。
Gradient版本不同之处在于它并不采用上棵树与y
的差值 Δy Δ y 作为新训练样本值,而是采用损失函数的梯度 ∇Loss ∇ L o s s ;但是在叶节点 Rjm R j m 的预测结果 γjm γ j m 生成上,却采用的是搜索的方法:
我们从另一个方面来考虑:
所有的机器学习不外乎是不过你在看GBDT 残差版本时候好像没有看到Loss函数吧。其实是有的:
GB是在空间上不断进行参数累积(比如GBDT多棵决策树);神经网络是在时间上不断进行参数累积(多次训练的结果会调整各个连接权重和bias)
因为Xgboost加大了奖励惩罚项,从而加速了收敛。