在本文中，我们将仔细研究一个名为CatBoost的梯度增强库。
在梯度提升中，预测是由一群弱学习者做出的。与为每个样本创建决策树的随机森林不同，在梯度增强中，树是一个接一个地创建的。模型中的先前树不会更改。前一棵树的结果用于改进下一棵树。在本文中，我们将仔细研究一个名为CatBoost的梯度增强库。
CatBoost 是Yandex开发的深度方向梯度增强库 。它使用遗忘的决策树来生成平衡树。相同的功能用于对树的每个级别进行左右拆分。
（CatBoost官方链接：github.com/catboost）
与经典树相比，遗忘树在CPU上实现效率更高，并且易于安装。
处理分类特征
在机器学习中处理分类的常见方法是单热编码和标签编码。CatBoost允许您使用分类功能，而无需对其进行预处理。
使用CatBoost时，我们不应该使用一键编码，因为这会影响训练速度以及预测质量。相反，我们只需要使用cat_features 参数指定分类特征即可 。
使用CatBoost的优点
以下是考虑使用CatBoost的一些原因：
-
CatBoost允许在多个GPU上训练数据。
-
使用默认参数可以提供很好的结果，从而减少了参数调整所需的时间。
-
由于减少了过度拟合，因此提高了精度。
-
使用CatBoost的模型应用程序进行快速预测。
-
经过训练的CatBoost模型可以导出到Core ML进行设备上推理（iOS）。
-
可以在内部处理缺失值。
-
可用于回归和分类问题。
训练参数
让我们看一下CatBoost中的常用参数：
-
loss_function别名为objective-用于训练的指标。这些是回归指标，例如用于回归的均方根误差和用于分类的对数损失。 -
eval_metric—用于检测过度拟合的度量。 -
iterations-待建的树的最大数量，默认为1000。别名是num_boost_round，n_estimators和num_trees。 -
learning_rate别名eta-学习速率，确定模型将学习多快或多慢。默认值通常为0.03。 -
random_seed别名random_state—用于训练的随机种子。 -
l2_leaf_reg别名reg_lambda—成本函数的L2正则化项的系数。默认值为3.0。 -
bootstrap_type—确定对象权重的采样方法，例如贝叶斯，贝努利，MVS和泊松。 -
depth—树的深度。 -
grow_policy—确定如何应用贪婪搜索算法。它可以是SymmetricTree，Depthwise或Lossguide。SymmetricTree是默认值。在中SymmetricTree，逐级构建树，直到达到深度为止。在每个步骤中，以相同条件分割前一棵树的叶子。当Depthwise被选择，一棵树是内置一步步骤，直到指定的深度实现。在每个步骤中，将最后一棵树级别的所有非终端叶子分开。使用导致最佳损失改善的条件来分裂叶子。在中Lossguide，逐叶构建树，直到达到指定的叶数。在每个步骤中，将损耗改善最佳的非终端叶子进行拆分 -
min_data_in_leaf别名min_child_samples—这是一片叶子中训练样本的最小数量。此参数仅与Lossguide和Depthwise增长策略一起使用。 -
max_leavesaliasnum_leaves—此参数仅与Lossguide策略一起使用， 并确定树中的叶子数。 -
ignored_features—表示在培训过程中应忽略的功能。 -
nan_mode—处理缺失值的方法。选项包括Forbidden，Min，和Max。默认值为Min。当Forbidden使用时，缺失值导致错误的存在。使用Min，缺少的值将作为该功能的最小值。在中Max，缺失值被视为特征的最大值。 -
leaf_estimation_method—用于计算叶子中值的方法。在分类中，使用10Newton次迭代。使用分位数或MAE损失的回归问题使用一次Exact迭代。多分类使用一次Netwon迭代。 -
leaf_estimation_backtracking—在梯度下降过程中使用的回溯类型。默认值为AnyImprovement。AnyImprovement减小下降步长，直至损失函数值小于上次迭代的值。Armijo减小下降步长，直到满足 Armijo条件 。 -
boosting_type—加强计划。它可以plain用于经典的梯度增强方案，也可以 用于或ordered，它在较小的数据集上可以提供更好的质量。 -
score_function— 分数类型， 用于在树构建过程中选择下一个拆分。Cosine是默认选项。其他可用的选项是L2，NewtonL2和NewtonCosine。 -
early_stopping_rounds—当时True，将过拟合检测器类型设置为，Iter并在达到最佳度量时停止训练。 -
classes_count—多重分类问题的类别数。 -
task_type—使用的是CPU还是GPU。CPU是默认设置。 -
devices—用于训练的GPU设备的ID。 -
cat_features—具有分类列的数组。 -
text_features-用于在分类问题中声明文本列。
回归示例
CatBoost在其实施中使用scikit-learn标准。让我们看看如何将其用于回归。
与往常一样，第一步是导入回归器并将其实例化。
拟合模型时，CatBoost还可以通过设置来使用户可视化 plot=true：
它还允许您执行交叉验证并使过程可视化：
同样，您也可以执行网格搜索并将其可视化：
我们还可以使用CatBoost绘制树。这是第一棵树的情节。从树上可以看到，每个级别的叶子都在相同的条件下被分割，例如297，值> 0.5。
CatBoost还为我们提供了包含所有模型参数的字典。我们可以通过遍历字典来打印它们。
结尾
在本文中，我们探讨了CatBoost的优点和局限性以及主要的训练参数。然后，我们使用scikit-learn完成了一个简单的回归实现。希望这可以为您提供有关库的足够信息，以便您可以进一步探索它。
往期精彩链接：
《统计学习基础:数据挖掘、推理和预测》-斯坦福大学人工智能学科专用教材
