梯度提升树 GradientBoosting

参考：https://blog.csdn.net/qq_16000815/article/details/81063320

scikit-learn基于梯度提升树算法提供了两个模型：

GradientBoostingClassifier即GBDT（Gradient Boosting Decision Tree）梯度提升决策树，用于分类问题
GradientBoostingRegressor即GBRT（Gradient Boost Regression Tree）渐进梯度回归树，用于回归问题

梯度提升决策树

from sklearn.ensemble import GradientBoostingClassifierGradientBoostingClassifier(loss='deviance', learning_rate=0.1, n_estimators=100,subsample=1.0, criterion='friedman_mse', min_samples_split=2,min_samples_leaf=1, min_weight_fraction_leaf=0.,max_depth=3, min_impurity_decrease=0.,min_impurity_split=None, init=None,random_state=None, max_features=None, verbose=0,max_leaf_nodes=None, warm_start=False,presort='auto')

参数含义：

1、loss：损失函数

loss='deviance'，默认值，此时的损失函数与逻辑回归的损失函数相同，为对数损失：L(Y，P(Y|X))=-logP(Y|X)。
loss='exponential'，损失函数为指数损失函数。

2、learning_rate：float, optional (default=0.1)。学习率，在learning_rate和n_estimators之间需要权衡。通常学习率越小，需要的基本分类器就越多，因此在learning_rate和n_estimators之间要有所折中。

3、n_estimators：int (default=100)，指定基本决策树的数量。梯度提升对过拟合有很好的鲁棒性，因此该值越大，性能越好。

4、subsample：float, optional (default=1.0)

用于拟合个体基本学习器的样本数量。如果小于1.0，模型将会变成随机梯度提升决策树。
如果subsample<1.0，此时会减少方差，提高偏差

5、criterion：string, optional (default="friedman_mse")，评估节点分裂的质量指标。

6、min_samplses_split：int, float, optional (default=2)，表示分裂一个内部节点需要的最少样本数。

如果为整数，则min_samples_split就是最少样本数。
如果为浮点数(0到1之间)，则每次分裂最少样本数为ceil(min_samples_split * n_samples)

7、min_samples_leaf：int, float, optional (default=1)，叶子节点最少样本数

如果为整数，则min_samples_split就是最少样本数。
如果为浮点数(0到1之间)，则每个叶子节点最少样本数为ceil(min_samples_leaf * n_samples)

8、min_weight_fraction_leaf：float, optional (default=0.)，指定叶子节点中样本的最小权重。

9、max_depth：integer, optional (default=3)，指定每个基本决策树的最大深度。最大深度限制了决策树中的节点数量。调整这个参数可以获得更好的性能。

10、min_impurity_decrease：float, optional (default=0.)

如果节点的分裂导致不纯度的减少(分裂后样本比分裂前更加纯净)大于或等于min_impurity_decrease，则分裂该节点。
个人理解这个参数应该是针对分类问题时才有意义。这里的不纯度应该是指基尼指数。
回归生成树采用的是平方误差最小化策略。分类生成树采用的是基尼指数最小化策略。

11、min_impurity_split：树生长过程中停止的阈值。如果当前节点的不纯度高于阈值，节点将分裂，否则它是叶子节点。这个参数已经被弃用。用min_impurity_decrease代替了min_impurity_split。

12、init：BaseEstimator, None, optional (default=None)，一个基本分类器对象或者None，该分类器对象用于执行初始的预测。如果为None，则使用loss.init_estimator

13、random_state：int, RandomState instance or None, optional (default=None)

如果为整数，则它指定了随机数生成器的种子。
如果为RandomState实例，则指定了随机数生成器。
如果为None，则使用默认的随机数生成器。

14、max_features：int, float, string or None, optional (default=None)
搜寻最佳划分的时候考虑的特征数量。

如果为整数，每次分裂只考虑max_features个特征。
如果为浮点数(0到1之间)，每次切分只考虑int(max_features * n_features)个特征。
如果为'auto'或者'sqrt',则每次切分只考虑sqrt(n_features)个特征
如果为'log2',则每次切分只考虑log2(n_features)个特征。
如果为None,则每次切分考虑n_features个特征。
如果已经考虑了max_features个特征，但还是没有找到一个有效的切分，那么还会继续寻找下一个特征，直到找到一个有效的切分为止。
如果max_features < n_features，则会减少方差，增加偏差。

15、verbose：int, default: 0，如果为0则不输出日志信息，如果为1则每隔一段时间打印一次日志信息。

16、max_leaf_nodes：int or None, optional (default=None)，指定每颗决策树的叶子节点的最大数量。

如果为None，则叶子节点数量不限。
如果不为None，则max_depth被忽略。

17、warm_start：bool, default: False，当为True时，则继续使用上一次训练的结果，增加更多的estimators来集成。

18、presort：bool or 'auto', optional (default='auto')，在训练过程中，是否预排序数据加速寻找最佳划分。

属性：

feature_importances_：数组，给出每个特征的重要性。
oob_improvement_：array, shape = [n_estimators]，数组，给出了每增加一颗基本决策树，在包外估计(即测试集上)的损失函数的改善情况(相对于上一轮迭代)，即损失函数的减少值。
train_score_：数组，给出每增加一颗基本决策树，在训练集上的损失函数的值。
init：初始预测使用的分类器。
estimators_：数组，给出每棵基础决策树。

方法：

fit()：训练模型
predict()：模型预测
predict_log_proba()：数组，预测各个类别的概率对数值。
predict_proba()：数组，预测各个类别的概率值。

渐进梯度回归树

from sklearn.ensemble import GradientBoostingRegressor
GradientBoostingRegressor(loss='ls', learning_rate=0.1, n_estimators=100,subsample=1.0, criterion='friedman_mse', min_samples_split=2,min_samples_leaf=1, min_weight_fraction_leaf=0.,max_depth=3, min_impurity_decrease=0.,min_impurity_split=None, init=None, random_state=None,max_features=None, alpha=0.9, verbose=0, max_leaf_nodes=None,warm_start=False, presort='auto')

参数含义：

1、loss：{'ls', 'lad', 'huber', 'quantile'}, optional (default='ls')，指定优化的损失函数。

loss='ls'：损失函数是平方损失函数
loss='lad'：损失函数为绝对值损失函数
loss='huber'：损失函数是上边两种损失函数的结合。