基于R语言的梯度推进算法介绍

通常来说，我们可以从两个方面来提高一个预测模型的准确性：完善特征工程（feature engineering）或是直接使用Boosting算法。通过大量数据科学竞赛的试炼，我们可以发现人们更钟爱于Boosting算法，这是因为和其他方法相比，它在产生类似的结果时往往更加节约时间。

Boosting算法有很多种，比如梯度推进（Gradient Boosting）、XGBoost、AdaBoost、Gentle Boost等等。每一种算法都有自己不同的理论基础，通过对它们进行运用，算法之间细微的差别也能够被我们所察觉。如果你是一个新手，那么太好了，从现在开始，你可以用大约一周的时间来了解和学习这些知识。

在本文中，笔者将会向你介绍梯度推进算法的基本概念及其复杂性，此外，文中还分享了一个关于如何在R语言中对该算法进行实现的例子。

每当谈及Boosting算法，下列两个概念便会频繁的出现：Bagging和Boosting。那么，这两个概念是什么，它们之间究竟有什么区别呢？让我们快速简要地在这里解释一下：

Bagging：对数据进行随机抽样、建立学习算法并且通过简单平均来得到最终概率结论的一种方法。

Boosting：与Bagging类似，但在样本选择方面显得更为聪明一些——在算法进行过程中，对难以进行分类的观测值赋予了越来越大的权重。

我们知道你可能会在这方面产生疑问：什么叫做越来越大？我怎么知道我应该给一个被错分的观测值额外增加多少的权重呢？请保持冷静，我们将在接下来的章节里为你解答。

假设你有一个初始的预测模型M需要进行准确度的提高，你知道这个模型目前的准确度为80%（通过任何形式度量），那么接下来你应该怎么做呢？

有一个方法是，我们可以通过一组新的输入变量来构建一个全新的模型，然后对它们进行集成学习。但是，笔者在此要提出一个更简单的建议，如下所示：

Y = M(x) + error

如果我们能够观测到误差项并非白噪声，而是与我们的模型输出（Y）有着相同的相关性，那么我们为什么不通过这个误差项来对模型的准确度进行提升呢？比方说：

error = G(x) + error2

或许，你会发现模型的准确率提高到了一个更高的数字，比如84%。那么下一步让我们对error2进行回归。

error2 = H(x) + error3

然后我们将上述式子组合起来：

Y = M(x) + G(x) + H(x) + error3

这样的结果可能会让模型的准确度更进一步，超过84%。如果我们能像这样为三个学习算法找到一个最佳权重分配，

Y = alpha * M(x) + beta * G(x) + gamma * H(x) + error4

那么，我们可能就构建了一个更好的模型。

上面所述的便是Boosting算法的一个基本原则，当我初次接触到这一理论时，我的脑海中很快地冒出了这两个小问题：

1.我们如何判断回归／分类方程中的误差项是不是白噪声？如果无法判断，我们怎么能用这种算法呢？

2.如果这种算法真的这么强大，我们是不是可以做到接近100％的模型准确度？

接下来，我们将会对这些问题进行解答，但是需要明确的是，Boosting算法的目标对象通常都是一些弱算法，而这些弱算法都不具备只保留白噪声的能力；其次，Boosting有可能导致过度拟合，所以我们必须在合适的点上停止这个算法。

请看下图：

从最左侧的图开始看，那条垂直的线表示我们运用算法所构建的分类器，可以发现在这幅图中有3/10的观测值的分类情况是错误的。接着，我们给予那三个被误分的“＋”型的观测值更高的权重，使得它们在构建分类器时的地位非常重要。这样一来，垂直线就直接移动到了接近图形右边界的位置。反复这样的过程之后，我们在通过合适的权重组合将所有的模型进行合并。

我们该如何分配观测值的权重呢？

通常来说，我们从一个均匀分布假设出发，我们把它称为D1，在这里，n个观测值分别被分配了1/n的权重。

步骤1：假设一个α（t）；

步骤2：得到弱分类器h（t）；

步骤3：更新总体分布，

其中，

步骤4：再次运用新的总体分布去得到下一个分类器；

觉得步骤3中的数学很可怕吗？让我们来一起击破这种恐惧。首先，我们简单看一下指数里的参数，α表示一种学习率，y是实际的回应值（＋1或－1），而h（x）则是分类器所预测的类别。简单来说，如果分类器预测错了，这个指数的幂就变成了1 *α， 反之则是－1*α。也就是说，如果某观测值在上一次预测中被预测错误，那么它对应的权重可能会增加。那么，接下来该做什么呢？

步骤5：不断重复步骤1-步骤4，直到无法发现任何可以改进的地方；

步骤6：对所有在上面步骤中出现过的分类器或是学习算法进行加权平均，权重如下所示：

最近我参加了由Analytics Vidhya组织的在线hackathon活动。为了使变量变换变得容易，在complete_data中我们合并了测试集与训练集中的所有数据。我们将数据导入，并且进行抽样和分类。

library(caret)rm(list=ls())setwd("C:Usersts93856DesktopAV")library(Metrics)complete <- read.csv("complete_data.csv", stringsAsFactors = TRUE)train <- complete[complete$Train == 1,]score <- complete[complete$Train != 1,]set.seed(999)ind <- sample(2, nrow(train), replace=T, prob=c(0.60,0.40))trainData<-train[ind==1,]testData <- train[ind==2,]set.seed(999)ind1 <- sample(2, nrow(testData), replace=T, prob=c(0.50,0.50))trainData_ens1<-testData[ind1==1,]testData_ens1 <- testData[ind1==2,]table(testData_ens1$Disbursed)[2]/nrow(testData_ens1)#Response Rate of 9.052%

接下来，就是构建一个梯度推进模型（Gradient Boosting Model）所要做的：

fitControl <- trainControl(method = "repeatedcv", number = 4, repeats = 4)trainData$outcome1 <- ifelse(trainData$Disbursed == 1, "Yes","No")set.seed(33)gbmFit1 <- train(as.factor(outcome1) ~ ., data = trainData[,-26], method = "gbm", trControl = fitControl,verbose = FALSE)gbm_dev <- predict(gbmFit1, trainData,type= "prob")[,2]gbm_ITV1 <- predict(gbmFit1, trainData_ens1,type= "prob")[,2]gbm_ITV2 <- predict(gbmFit1, testData_ens1,type= "prob")[,2]auc(trainData$Disbursed,gbm_dev)auc(trainData_ens1$Disbursed,gbm_ITV1)auc(testData_ens1$Disbursed,gbm_ITV2)

在上述案例中，运行代码后所看到的所有AUC值将会非常接近0.84。我们随时欢迎你对这段代码进行进一步的完善。在这个领域，梯度推进模型（GBM）是最为广泛运用的方法，在未来的文章里，我们可能会对GXBoost等一些更加快捷的Boosting算法进行介绍。

笔者曾不止一次见识过Boosting算法的迅捷与高效，在Kaggle或是其他平台的竞赛中，它的得分能力从未令人失望，当然了，也许这要取决于你能够把特征工程（feature engineering）做得多好了。

以上是小编为大家分享的关于基于R语言的梯度推进算法介绍的相关内容，更多信息可以关注环球青藤分享更多干货

偶然因素：

始于兴趣：《商务经济与统计》sars编程R语言编程 两周学完

大势所趋：

2.如何零基础学习数据分析

统计学基础：《商务经济与统计》 概率论 假设 检验 多元线性回归之前的所有章节公式自己动手写一遍还有个麦克拉夫的。。

统计工具的学习：spss傻瓜式的统计数据分析 收费 价格贵 不灵活 推荐大家学习R语言或者Python语言 学习语言的语法R语言的语法很简洁 《R in action》务必手动实现每一行代码Python学习手册，head first Python这两本还不错

方法论的学习：方法论，定性分析

数据挖掘理论与工具的学习：数据分析一般停留在业务方面的统计分析； 数据挖掘需要从数据中挖掘潜在价值， 学习建模，对具体数据抽象化，形成概括，能够得出一般的规律，一是对过去发生事情的总结，一是对未来的预测。

《数据挖掘导论》英文版 南京大学 周志华《机器学习》是好的中文入门教程 ，不过可能需要补充很多基础知识。

在每次学习新模型时，可以去R语言里找到对应的包，函数，工具库。跑一个简单的模型，体验模型的真实应用。尝试修改不同的参数，思考为何发生这样的变化。建模还是python好用，有统一的接口调用，官方文档非常齐全，学习起来比较容易。R语言比较零散，不同的作者开发了不同的包，工业上也更偏爱python。书籍推荐：《利用python进行数据分析》

除了一本《数据挖掘导论》是远远不够的，最重要的还是实践，另外推荐《数据挖掘概念与技术》原版。Mooc网站，youtube视频都可以学习。EXCel和SQL是每一个人都应该掌握的技能。

3，如何检验自学数据分析的学习效果

理论检验：给定特定的业务场景，能否使用所学知识快速定位

学习效果：你能说出原理，会实际应用，能说出各种方法的优缺点才算是优秀的。

实施检验：定位之后，能否使用所学工具快速实现

4数据分析师是怎样工作的

数据清洗特征工程：特征决定了你模型准确率的上限，而不同的算法只是无限逼近这个上限。大部分时间都是在做特征工程。

分析数据：第一步，对数据进行探索与可视化是为了对数据有更深的了解。第二部，做ppt，开会讨论。第三部，把数据扔给模型。理论不扎实，运用模型就举步维艰，因为你看不懂这里面的参数设置是什么意思。好好学习理论知识，不要一心想着怎么动手实践。

建模型与部署：让模型每天或者自动运行，基本都是部署在inux上的。

理解业务需求-量化业务数据指标-制定计划-解决问题，不要盲目在数据中寻找规律，这是没有任何意义的。

5作为数据分析师，我是如何不断提升的

1计算机知识的加强

编程语言的深入：廖雪峰python

计算机操作的深入

2理论知识的纵向与横向扩展

纵向：深入学习 机器学习 李航《统计学习方法》

横向：扩展学习。Java/web开发国外大学的公开课。

6 答疑

去大公司的网站看岗位要求而不是去招聘网站看职位要求。要有实际的作品拿出来，看过几本书侃侃而谈是没有机会的。R或者python的性价比最高。

只有学生或者做学术研究的才用matlab。找工作最好换一些开源软件。《R语言实战》竞赛平台kaggle。 gpu是用来做深度学习的。Excel、sql的培训是性价比最高的。