GBRT(GBDT)(MART)(Tree Net)(Tree link)

源于博客

GBRT（梯度提升回归树）有好多名字，标题全是它的别名。

它是一种迭代的回归树算法，由多棵回归树组成，所有树的结论累加起来得到最终结果。在被提出之初与SVM一起被认为是泛化能力较强的算法。

主要由三个概念组成：回归决策树Regression Decistion Tree（即DT)，梯度提升Gradient Boosting（即GB)，Shrinkage 。搞定这三个概念后就能明白GBDT是如何工作的，要继续理解它如何用于搜索排序则需要额外理解RankNet概念，之后便功德圆满。下文将逐个碎片介绍，最终把整张图拼出来。

1. DT：回归树Regression Decistion Tree

  决策树分为两大类：回归树和分类树，前者用于预测实数值，如明天的温度，用户年龄，网页相关程度等，后者用于分类标签值，如用户性别、晴天/阴天/雨、网页是否是垃圾页面等。注意到前者的结果的加减是有意义的，后者则无意义。GBRT的核心在于累加所有树的结果作为最终结果，对于分类树的结果是无法累加的，从而，GBDT中的树都是回归树，不是分类树。
  下面以性别判别/年龄预测（每个例子都是已知性别/年龄的人，而特征包括这个人上网的时长、上网的时间段、网购所花金额等）来说明回归树如何工作：

先说一下分类树，分类树在每次分枝时，是穷举每一个特征的每一个阈值，找到使得（阈值<特征）（特征<=阈值）分成的两个分枝的熵最大的特征和阈值（熵最大的概念可理解成尽可能每个分枝的男女比例都远离1:1），按照该标准分枝得到两个新节点，用同样的方法继续分枝直到所有人都被分入性别唯一的叶子节点，或达到预设的终止条件，若最终叶子结点中的性别不唯一，则已多数人的性别作为该叶子节点的性别。

回归树总体流程也是类似，不过在每个节点（不一定是叶子节点）都会得一个预测值，以年龄为例，该预测值等于属于这个节点的所有人年龄的平均值。分枝时，是穷举每一个特征的每一个阈值找到最好的分割点，衡量的标准改为最小化均方差（而不是最大熵），即（每个人的年龄-预测年龄）平方和除以n。分枝直到每个叶子节点上人的年龄都唯一（这太难了）或者达到预设的终止条件（如叶子个数上限）。若最终叶子结点上年龄不唯一，则以该节点上所有人平均年龄作为预测年龄。

2. GB:梯度提升Gradient Boosting

  Boosting，迭代，即通过迭代多棵树来共同决策，每棵树的结论并不是年龄本身，而是年龄的一个累加量。GBRT的核心就在于，每一棵树学的是之前所有树的结论和的残差，这个残差就是一个加上预测值后能得真实值的累加量。比如，一个人的真实年龄是18岁，但是第一棵树预测年龄是12岁，差了6岁，残差为6；那么第二棵树我们把其年龄设为6岁去学习，如果第二棵树真的能把其分到6岁的叶子节点，那么累加两棵树的年龄就是真实值，如果第二棵树的结论是5岁，仍剩余1岁的残差，需要继续学习。

3. Boost与Gradient boost：提升与梯度提升

  原始的Boost算法是在算法开始的时候，为每一个样本赋上一个权重值，初始的时候，大家都是一样重要的。在每一步训练中得到的模型，会使得数据点的估计有对有错，我们就在每一步结束后，增加分错的点的权重，减少分对的点的权重，这样使得某些点如果老是被分错，那么就会被“严重关注”，也就被赋上一个很高的权重。然后等进行了N次迭代（由用户指定），将会得到N个简单的分类器（basic learner），然后我们将它们组合起来（比如说可以对它们进行加权、或者让它们进行投票等），得到一个最终的模型。
  而Gradient Boost与传统的Boost的区别是，每一次的计算是为了减少上一次的残差(residual)，而为了消除残差，我们可以在残差减少的梯度(Gradient)方向上建立一个新的模型。所以说，在Gradient Boost中，每个新的模型的简历是为了使得之前模型的残差往梯度方向减少，与传统Boost对正确、错误的样本进行加权有着很大的区别

4. GBDT工作实例

  还是年龄预测，简单起见训练集只有4个人A/B/C/D，他们的年龄分别是14,16,24,26。其中A和B分别是高一、高三学生；C和D分别是应届毕业生和工作两年的员工，如果用一棵传统的回归决策树来训练，会得到如下图1所示的结果：

现在使用GBDT来做这件事，由于数据过少，限定的叶子结点最多有两个，即每棵树都只有一个分枝，并且限定只学两棵树，我们会得到以下结果：



在第一棵树分枝和图1一样，由于A,B年龄较为相近，C,D年龄较为相近，他们被分为两拨，每拨用平均年龄作为预测值。此时计算残差（残差的意思就是： A的预测值 + A的残差 = A的实际值），所以A的残差就是16-15=1（注意，A的预测值是指前面所有树累加的和，这里前面只有一棵树所以直接是15，如果还有树则需要都累加起来作为A的预测值）。进而得到A,B,C,D的残差分别为-1,1，-1,1。然后我们拿残差替代A,B,C,D的原值，到第二棵树去学习，如果我们的预测值和它们的残差相等，则只需把第二棵树的结论累加到第一棵树上就能得到真实年龄了。这里的数据显然是我可以做的，第二棵树只有两个值1和-1，直接分成两个节点。此时所有人的残差都是0，即每个人都得到了真实的预测值。

很容易发现几个问题:

1）既然上面两个方法最终效果相同，为何还需要GBDT呢？

过拟合。过拟合是指为了让训练集精度更高，学到了很多“仅在训练集上成立的规律”，导致换一个数据集当前规律就不适应了。其实只要允许一棵树的叶子结点足够多，训练集总是能够训练到100%准确率的。

我们发现方法1为了达到100%精度使用了3个feature（上网时长、时段、网购金额），其中分枝“上网时长>1.1h” 很显然已经过拟合了，这个数据集上A,B也许恰好A每天上网1.09h, B上网1.05小时，但用上网时间是不是>1.1小时来判断所有人的年龄很显然是有悖常识的；

相对来说方法2的boosting虽然用了两棵树 ，但其实只用了2个feature就搞定了，后一个feature是问答比例，显然图2的依据更靠谱。Boosting的最大好处在于，每一步的残差计算其实变相地增大了分错instance的权重，而已经分对的instance则都趋向于0。这样后面的树就能越来越专注那些前面被分错的instance。

2）这个不是boosting吧，Adaboost不是这么定义的

这是boosting不是Adaboost。Adaboost是另一种提升方法，它按分类对错，分配不同的权重，使用这些权重计算cost function，从而让错分的样本权重越来越大，使他们更被重视。Bootstrap也有类似思想，它在每一步迭代时不改变模型本身，也不计算残差，而是从n个例子训练集中按照一定的概率重新抽取n个例子出来，对这n个新的例子再训练一轮。GBDT也可以在使用残差的同时引入Bootstrap re-sampling，GBDT多数实现版本中也增加的这个选项，但是否一定使用则有不同看法。re-sampling一个缺点是它的随机性，即同样的数据集合训练两遍结果是不一样的，也就是模型不可稳定复现，这对评估是很大挑战，比如很难说一个模型变好是因为你选用了更好的feature，还是由于这次sample的随机因素。