当前位置：首页 > news >正文

机器学习 Day13 Boosting集成学习方法： Adaboosting和GBDT

news 来源：原创 2025/7/30 12:58:28

大多数优化算法可以分解为三个主要部分：

模型函数：如何组合特征进行预测（如线性加法）
损失函数：衡量预测与真实值的差距（如交叉熵、平方损失）
优化方法：如何最小化损失函数（如梯度下降、前向分步）

我们来学习一下这些部分，以此作为基础去进一步理解要讲的优化算法。我们这节要讲的优化算法要套用这三个模版。以后的所有的算法都逃不过这三大步骤

1.模型函数，我们这里已经学过逻辑回归，决策树，一会还有要讲的集成学习模型。

2.损失函数，损失函数（Loss Function）是机器学习的核心组件，它量化了模型预测与真实值之间的差异（就是第一部分和真实值的差距），为模型优化提供方向，以后去使用优化方法去不断优化这个函数（第三节介绍）

还有其他损失函数，具体我们可以设置任何损失函数。我们看我们了解过的算法的损失函数：

2.1决策树的损失函数：

我们构造决策树的时候要最优化以上的损失函数，因为这个损失函数很简单，我们只需要去遍历特征就可以得到最优的取值参数（分割点），所以并未涉及到算法。

2.2逻辑回归

3.优化方法（运筹里讲了很多，这里我们只介绍基于参数的梯度下降法，和基于函数的分布向前算法）

核心目标在于找到参数空间使得最小化损失函数。

算法流程：

梯度下降法前面优化逻辑回归的损失函数的时候讲过，它有很多变式，

分布向前下降，就是一步一步去优化损失，比如说当损失是MSE的时候，我每次去求一个基学习器让MSE最小，然后再去优化这个加法模型的参数，这个参数就是相当于学习率，基学习器相当于我们的方向（比如在以下的算法中是损失函数负梯度方向，而MSE的负梯度就是残差，所以让基学习器去拟合残差了。），这样一步一步的去求得一个最优的，分布向前算法就好像一个大的框架，你可以任意给定损失函数，然后每一步都去固定上一个最优的基学习器，去寻找当前步的最优参数和模型。

其实向前分布算法更像是一个框架，提供一种思路，其中具体如何优化损失函数会产生许多算法。

4. 提升树其实就是向前分布算法的一种实现特例，它要求学习器是一个决策树，并且权重一般都是1，而且损失函数一般对于回归问题是平方误差损失函数，对于分类问题，如果是二分类使用指数损失，对于多分类问题使用交叉熵，一般问题可以定义损失函数。

提升树也是一个框架，具体损失函数不同，对应算法不同。

5.Boosting集成学习

Boosting 是一种集成学习技术，通过组合多个弱学习器来构建一个强学习器（本节讲的是加法模型），以提高模型的预测性能。以下从原理、常见算法、应用场景等方面对其进行介绍：

Boosting 的核心思想是迭代地训练一系列弱学习器，每个弱学习器都在上一个弱学习器的基础上进行改进。具体来说，在训练过程中，会为每个训练样本赋予一个权重，初始时所有样本的权重通常是相等的。然后，依次训练各个弱学习器，对于每个弱学习器，它会根据当前样本的权重分布来进行学习，更关注那些被之前的弱学习器错误分类的样本，即增加这些错误样本的权重，降低正确分类样本的权重。这样，后续的弱学习器就会更加注重纠正前面弱学习器的错误，从而逐步提升整个模型的性能。最后，将这些弱学习器按照一定的方式进行组合，通常是通过加权投票（分类问题）或加权平均（回归问题）等方法，得到最终的强学习器。

所以Boosting技术中最重要的是两个：如何提高错误数据的圈子，并且降低正确数据的权重；如何计算每个学习器的占比权重

Bagging和Boosting的区别

6.Adaboosting算法（解决二分类问题）

有了以上基础，其实一句话就能说清楚Adaboosting算法是什么玩意：其实就是以线性加法为目标函数，以指数损失为损失函数，以向前分布算法为优化方法的一类算法。(如果我们要求基学习器是树的话，其实就是提升树的特殊情况了，但经典AdaBoost的基学习器一般是弱分类器（如决策树桩、单层决策树），而非任意树),我们先将他的流程，再将它的原理，再讲它是如何做到Boosting的（即如何体现重要的两个点）。

手写所有步骤：

至此我们手写了该算法的构造原理，其中设计到许多求和号的转变。

6.3如何体现Boosting集成思想

首先，利用指数损失作为概率，很完美的实现了数据集的重新赋值。

其次，我们使用错误率构造了权重公式，显然，公式是一个减函数，即错误率越高权重越小

以上两点就是说明了Adaboosting算法的归属问题。

7.我们来看一些提升树的案例，以此引出GBDT（梯度下降提升树）

7.1二分类问题的提升树

二分类问题的预测函数是权值为1的分类决策树的组合，损失函数是指数损失（只要是指数损失，就可以通过损失来调整样本数据的权重），优化方法是分布向前方法，它相当于Adaboosting算法的特殊情况：就是权重为一并且基学习器是一个二分类树的特殊情况，它的算法流程很简单，就是Adaboosting算法，不需要求权重。

7.2回归问题的提升树

由知道，只要第m次回归树距离残差越小。损失函数就越小，所以在分布向前算法里，我们只需要去构造每一步的决策树去拟合残差（即使用残差去改变数据的权值）即可得到这一论的基学习器，然后一直循环下去，以下是算法流程：

以上两种以指数函数和平方误差为损失函数的很容易去进行优化，那么对于一般回归问题的的损失函数该如何去优化呢，这就是我们要讲的GBDT算法。

8.GBDT算法

接上表述GBDT核心在于提升树的损失函数不同，用于处理通用的损失函数问题，其他就是提升树的本质，那么思想是什么？

首先它的预测函数和回归提升树是一样的。即

他的损失函数是一般的损失函数，我们用L（y，f（x））表示，GBDT的核心目标是：确保每增加一个学习器，总损失不会增加，即第m步比第m-1步的总损失不大。所以GBDT本质上去优化的目标函数是：

我们进行一系列推导：

所以让我们每一步的回归决策树去拟合损失函数的负梯度即可（即使用负梯度去改变数据的权重值），所以又叫做梯度提升树。

于是有如下算法：注意这里的初始化函数并不是0，而是先求得一个常数c，c使得总损失最小。（b）步骤就是我们以前讲过的回归决策树的构造，（c）步骤的意思就是在求解第m个决策树第j个节点上的回归值，是通过最小化损失函数计算得到的，观察那个式子，就是我们把在这个节点上的样本回归值都用c表示，c可以是得在这个节点上的总损失最小，那个fm-1（x）+c，就是表示我上一轮的值加上这个c与真实值的损失最小。不是我们之前讲的c是叶子结点的平均了，这个平均我们用于初始化了。

当给定一个数据的时候它的回归结果是这样的：

我们把这个通用的流程带入7.2以MSE为损失函数的提升树里，对应的是拟合该损失函数的负梯度方向，我们计算会发现这个负梯度带入后就是我们的残差。

注意：

GBDT（Gradient Boosting Decision Tree，梯度提升决策树）的基学习器通常是回归决策树，即使是在解决分类问题时也是如此。以下是详细解释：

1. GBDT 的基学习器：回归树

回归问题：
直接使用回归树（CART 回归树）作为基学习器，每个叶结点输出一个连续值（即 cmjcmj），最终预测值是所有树输出的累加。

分类问题（就是我之前说的，逻辑回归其实就是回归+激活函数）：

二元分类：通过逻辑回归的链接函数（如 sigmoid）将累加结果映射为概率，但每棵树本身仍是回归树，拟合的是对数几率（log-odds）的梯度。

多分类：采用类似逻辑回归的 Softmax 形式，但对每棵树的训练仍基于回归树拟合残差。

核心原因：
梯度提升的每一步需要拟合的是连续值（负梯度/残差），而分类树的离散输出无法直接实现这一点。因此，回归树更通用。

2. 为什么用回归树而非分类树？

梯度提升的本质：
通过加法模型逐步优化损失函数，每一步需要计算损失函数对当前模型的梯度（即伪残差 rmirmi），而梯度是连续值，必须用回归树拟合。

灵活性：
回归树可以输出任意连续值（如 cmjcmj），能更精细地调整模型，而分类树只能输出离散类别。

统一框架：
回归树可以同时处理回归和分类任务（通过调整损失函数），而分类树无法直接用于回归。

GBDT可以用来分类，只要把回归结果转化一下就行，也可以回归问题，但是Adaboosting只能用于二分类问题，它其实就是二分类提升树的一个推广

1. GBDT 的基学习器：回归树

2. 为什么用回归树而非分类树？

相关文章：