机器学习方法与实践 课件 GBDT_第1页
机器学习方法与实践 课件 GBDT_第2页
机器学习方法与实践 课件 GBDT_第3页
机器学习方法与实践 课件 GBDT_第4页
机器学习方法与实践 课件 GBDT_第5页
已阅读5页，还剩13页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

梯度提升决策树（GBDT）GradientBoostingDecisionTree主讲：耿阳李敖计算机与信息技术学院视觉智能实验室（VisInt）BeijingJiaotong

University

GradientBoostingLet’splayagame...GradientBoosting简单的解决方案

GradientBoosting简单的解决方案GradientBoostingGBDT算法概述

GradientBoosting=Gradient+Boosting

GradientBoostingGradientDescent

GradientBoostingGBDT中的GradientDescent

回归问题

回归问题整体流程：

回归问题例子：20(14,16,24,26)15(14,16)25(24,26)购物金额<=1k购物金额>1k残差：A=14-15=-1B=16-15=1残差：C=24-25=-1D=26-25=10(-1,1,-1,1)-1(-1,-1)1(1,1)购物数量<=5购物数量>5残差：A=-1-(-1)=0C=-1-(-1)=0残差：B=1-1=0D=1-1=0以残差(-1,1,-1,1)为样本拟合一棵回归树A的预测值=15-1=14B的预测值=15+1=16T1T2回归问题Shrinkage作用20(14,16,24,26)1.5(14,16)2.5(24,26)购物金额<=1k购物金额>1k残差：A=14-1.5=12.5B=16-1.5=14.5残差：C=24-2.5=21.5D=26-2.5=23.518(12.5,14.5,21.5,23.5)17(12.5,21.5)19(14.5,23.5)购物数量<=5购物数量>5残差：A=12.5-(17)=-3.5C=21.5-17=4.5残差：B=14.5-19=-4.5D=23.5-19=4.5加入衰减系数，为了让训练过程更稳健，相当于学习率，学习率越小，迭代次数越多。T1T2GradientBoostingGBDT（梯度提升树）

GBDT与传统的Boosting区别较大，它的每一次计算都是为了减小上一次的残差，而为了消除残差，我们可以在残差减小的梯度方向上建立模型，所以说，在GradientBoosting中，每个新模型的建立都拟合了之前模型的损失梯度，与传统的Boosting中关注正确错误样本加权有着很大的区别。在GradientBoosting算法中，关键就是利用损失函数的负梯度方向在当前模型的值作为残差的近似值，进而拟合一棵CART回归树。二分类问题负梯度推导

二分类问题负梯度推导

二分类问题整体流程：

多分类问题负梯度推导

多分类问

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论