利用GBDT模型構造新特征具體方法

數據挖掘入門與實戰 ?公眾號： datadw

?

?

實際問題中，可直接用于機器學**模型的特征往往并不多。能否從“混亂”的原始log中挖掘到有用的特征，將會決定機器學**模型效果的好壞。引用下面一句流行的話：

?

特征決定了所有算法效果的上限，而不同的算法只是離這個上限的距離不同而已。

?

本文中我將介紹Facebook最近發表的利用GBDT模型構造新特征的方法。

?

（Xinran He et al. Practical Lessons from Predicting Clicks on Ads at Facebook, 2014）

論文的思想很簡單，就是先用已有特征訓練GBDT模型，然后利用GBDT模型學**到的樹來構造新特征，最后把這些新特征加入原有特征一起訓練模型。構造的新特征向量是取值0/1的，向量的每個元素對應于GBDT模型中樹的葉子結點。當一個樣本點通過某棵樹最終落在這棵樹的一個葉子結點上，那么在新特征向量中這個葉子結點對應的元素值為1，而這棵樹的其他葉子結點對應的元素值為0。新特征向量的長度等于GBDT模型里所有樹包含的葉子結點數之和。

?

舉例說明。下面的圖中的兩棵樹是GBDT學**到的，第一棵樹有3個葉子結點，而第二棵樹有2個葉子節點。對于一個輸入樣本點x，如果它在第一棵樹最后落在其中的第二個葉子結點，而在第二棵樹里最后落在其中的第一個葉子結點。那么通過GBDT獲得的新特征向量為[0, 1, 0, 1, 0]，其中向量中的前三位對應第一棵樹的3個葉子結點，后兩位對應第二棵樹的2個葉子結點。

?

?

那么，GBDT中需要多少棵樹能達到效果最好呢？具體數字顯然是依賴于你的應用以及你擁有的數據量。一般數據量較少時，樹太多會導致過擬合。在作者的應用中，大概500棵左右效果就基本不改進了。另外，作者在建GBDT時也會對每棵樹的葉子結點數做約束——不多于12個葉子結點。

?

下面是這種方法在我們世紀佳緣的一個概率預測問題上的實際效果。我們只使用了30棵樹。第一個圖是只使用原始特征的結果，第二個圖是原始特征加GBDT新特征的結果。圖中橫坐標表示預測概率值，縱坐標表示真實概率值。所以預測的點越靠近y=xy=x這條參考線越好。顯然，使用了GBDT構造的新特征后，模型的預測效果好不少。

?

?

?

已經有人利用這種方法贏得了Kaggle一個CTR預估比賽的冠軍，這種方法的具體實現代碼可見 ??https://github.com/guestwalk/kaggle-2014-criteo

轉載于:https://www.cnblogs.com/DjangoBlog/p/6201593.html

總結

以上是生活随笔為你收集整理的利用GBDT模型构造新特征具体方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。