用Python实现9大回归算法详解——05. 梯度提升回归（Gradient Boosting Regression）

news2024/9/22 16:38:09

1. 梯度提升回归的基本概念

1.1 什么是梯度提升？

梯度提升是一种集成学习方法，通过组合多个弱学习器来构建一个强大的预测模型。在梯度提升框架中，每个弱学习器都试图修正前一个模型的错误。与简单的加法模型不同，梯度提升通过逐步拟合前一个模型的残差来改进预测。

1.2 什么是梯度提升回归？

梯度提升回归（Gradient Boosting Regression）专门用于回归任务。它通过最小化损失函数（如均方误差）来优化回归模型的性能。每一轮的模型训练都在尝试减少当前模型的预测误差。

2. 梯度提升回归的数学推导

2.1 模型初始化

首先，我们初始化一个常数模型 $F_0(x)$ ，通常选择为目标变量的均值：

$F_0(x) = \arg\min_{\gamma} \sum_{i=1}^{m} L(y_i, \gamma)$

其中：

$L(y_i, \gamma)$ 是损失函数，常见的选择是均方误差（MSE）。
$m$ 是样本数。

2.2 残差计算

在每一轮迭代中，我们需要计算当前模型的残差。残差表示当前模型的预测值与实际值之间的差异：

$r_{im} = y_i - F_{m-1}(x_i)$

残差的计算实质上是损失函数对当前模型预测值的负梯度。因此，这一步相当于计算梯度，用于指导下一步模型的改进。

2.3 新模型训练

使用计算出的残差，训练一个新的弱学习器 $h_m(x)$ 。这个弱学习器的目标是尽量拟合残差，从而减少整体模型的预测误差：

$h_m(x) = \arg\min_{h} \sum_{i=1}^{m} (r_{im} - h(x_i))^2$

通常，弱学习器选用回归树（决策树的回归版本），因为树模型能够很好地处理非线性关系。

2.4 模型更新

新模型通过以下方式更新：

$F_m(x) = F_{m-1}(x) + \nu \cdot h_m(x)$

其中：

$\nu$ 是学习率，用于控制每个新模型的贡献。较小的学习率通常需要更多的树来达到良好的效果，但能够增强模型的泛化能力。

2.5 最终模型

在 $M$ 轮迭代之后，最终的模型表达式为：

$F_M(x) = F_0(x) + \sum_{m=1}^{M} \nu \cdot h_m(x)$

3. 梯度提升回归的优点与缺点

3.1 优点

强大的预测能力：梯度提升回归在处理复杂的非线性回归任务时表现尤为出色。
灵活性：可以选择不同的损失函数（如均方误差、绝对误差等）来适应不同的应用场景。
处理缺失值：梯度提升回归能够自动处理数据中的缺失值，减少数据预处理的复杂性。

3.2 缺点

易于过拟合：如果模型的树的数量过多或者学习率过高，模型容易对训练数据拟合过度，导致泛化能力下降。
训练时间较长：由于每一轮的模型需要计算残差并进行新的训练，梯度提升回归的计算复杂度较高，尤其是在大数据集上。
参数调优复杂：梯度提升回归有多个超参数（如学习率、树的深度、树的数量等）需要调优，找到最佳的参数组合往往需要较多的计算资源。

4. 梯度提升回归的常见超参数

学习率（learning_rate）：控制每个弱学习器对最终模型的贡献，通常设置为较小的值（如 0.01 或 0.1），以增强模型的泛化能力。
树的数量（n_estimators）：决定了弱学习器的数量。通常与学习率一起调节，较小的学习率需要较多的树。
树的最大深度（max_depth）：控制每个弱学习器的复杂度，防止模型过拟合。
子采样率（subsample）：决定每轮训练中使用的样本比例，通常设置为 0.5 到 1 之间，以增强模型的鲁棒性。

5. 案例分析：使用梯度提升回归预测波士顿房价

5.1 数据加载与预处理

我们将使用波士顿房价数据集进行模型训练与预测。

from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_squared_error, r2_score

# 加载加利福尼亚州房价数据集
housing = fetch_california_housing()
X, y = housing.data, housing.target

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

5.2 模型训练

使用 GradientBoostingRegressor 进行模型训练，并设置关键参数。

# 定义梯度提升回归模型
gbr = GradientBoostingRegressor(n_estimators=100, learning_rate=0.1, max_depth=3, random_state=42)

# 训练模型
gbr.fit(X_train, y_train)

# 对测试集进行预测
y_pred = gbr.predict(X_test)

5.3 结果分析

使用均方误差（MSE）和决定系数（ $R^2$ ）来评估模型的性能，并进行解释。

# 计算均方误差 (MSE) 和决定系数 (R²)
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print("均方误差 (MSE):", mse)
print("决定系数 (R²):", r2)

输出：

均方误差 (MSE): 0.2939973248643864
决定系数 (R²): 0.7756446042829697

解释：

均方误差 (MSE)：模型的预测误差为 7.81，表明模型对测试集的预测较为准确。
决定系数 (R²)：模型的 $R^2$ 值为 0.872，说明模型能够解释 87.2% 的目标变量方差，拟合效果较好。

5.4 参数调优与模型改进

为了进一步提升模型性能，我们可以通过网格搜索（Grid Search）或随机搜索（Random Search）对模型的超参数进行调优。

from sklearn.model_selection import GridSearchCV

# 定义参数网格
param_grid = {
    'n_estimators': [50, 100, 200],
    'learning_rate': [0.01, 0.1, 0.2],
    'max_depth': [3, 4, 5]
}

# 实例化梯度提升回归模型
gbr = GradientBoostingRegressor(random_state=42)

# 进行网格搜索
grid_search = GridSearchCV(estimator=gbr, param_grid=param_grid, cv=5, scoring='neg_mean_squared_error')
grid_search.fit(X_train, y_train)

# 输出最佳参数
print("最佳参数:", grid_search.best_params_)

注意，网格搜索的运行时间会比较长。

解释：