0
| 本文作者： skura | 2019-11-18 18:29 |
James Pond 在 Unsplash 雜志上的照片
Stanford ML Group 最近在他們的論文中發(fā)表了一個新算法，其實現(xiàn)被稱為 NGBoost。該算法利用自然梯度將不確定性估計引入到梯度增強中。本文試圖了解這個新算法，并與其他流行的 boosting 算法 LightGBM 和 XGboost 進行比較，以了解它在實踐中是如何工作的。
注：Stanford ML Group 發(fā)表的論文網(wǎng)址為：https://arxiv.org/abs/1910.03225，有興趣的同學可以下載學習~
本文的主要內(nèi)容包括以下三個部分：
什么是自然梯度增強？
經(jīng)驗驗證——與 LightGBM 和 XGBoost 的比較
結(jié)論
1.什么是自然梯度增強？
正如我在簡介中所寫那樣，NGBoost 是一種新的 boosting 算法，它使用自然梯度 boosting，是一種用于概率預測的模塊化 boosting 算法。該算法由 Base learners 、參數(shù)概率分布和評分規(guī)則組成。我將簡要地解釋一下這些術(shù)語是什么。
Base learners
該算法使用 Base learners。它接受輸入 x，輸出用來形成條件概率。這些 Base learners 使用 scikit-learn 的決策樹作為樹型學習者，使用嶺回歸作為線性學習者。
參數(shù)概率分布
參數(shù)概率分布是一種條件分布。這是由 Base learners 輸出的加法組合形成的。
評分規(guī)則
評分規(guī)則采用預測的概率分布和對目標特征的觀察來對預測結(jié)果進行評分，真實的結(jié)果分布期望值得到最好的分數(shù)。該算法使用最大似然估計（MLE）或 CRPS（連續(xù)排序概率得分）。
我們剛剛介紹了 NGBoost 的基本概念。我建議你閱讀原稿以便進一步理解（用數(shù)學符號更容易理解算法）。
2.經(jīng)驗驗證：與 LightGBM 和 XGBoost 的比較
billy lee 在 Unsplash 雜志上的照片
讓我們實現(xiàn) NGBoost，看看它的性能如何。論文還對各種數(shù)據(jù)集進行了實驗。他們比較了 MC-dropout、Deep-Ensembles 和 NGBoost 在回歸問題中的表現(xiàn)，NGBoost 表現(xiàn)出了很強的競爭力。在這篇博文中，我想展示一下這個模型在 Kaggle 上著名的房價預測數(shù)據(jù)集上的性能。這個數(shù)據(jù)集包含 81 個特征，1460 行，目標是預測銷售價格。讓我們看看 NGBoost 如何處理這些情況。
目標特征的分布
由于測試算法的性能是本文的目的，我們將跳過整個特征工程部分，并將使用 Nanashi 的解決方案。
導入包：
# import packages
import pandas as pd
from ngboost.ngboost import NGBoost
from ngboost.learners import default_tree_learner
from ngboost.distns import Normal
from ngboost.scores
import MLE import lightgbm as lgb
import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
from math import sqrt
在這里，我將使用上面的默認學習者、分布和評分規(guī)則，看看結(jié)果如何變化。
# read the dataset
df = pd.read_csv('~/train.csv')
# feature engineering
tr, te = Nanashi_solution(df)
現(xiàn)在使用 NGBoost 算法進行預測。
# NGBoost
ngb = NGBoost(Base=default_tree_learner, Dist=Normal, Score=MLE(),
natural_gradient=True,verbose=False)
ngboost = ngb.fit(np.asarray(tr.drop(['SalePrice'],1)),
np.asarray(tr.SalePrice))
y_pred_ngb = pd.DataFrame(ngb.predict(te.drop(['SalePrice'],1)))
對 LightGBM 和 XGBoost 也做一樣的事情：
# LightGBM
ltr = lgb.Dataset(tr.drop(['SalePrice'],1),label=tr['SalePrice'])
param = {
'bagging_freq': 5,
'bagging_fraction': 0.6,
'bagging_seed': 123,
'boost_from_average':'false',
'boost': 'gbdt',
'feature_fraction': 0.3,
'learning_rate': .01,
'max_depth': 3,
'metric':'rmse',
'min_data_in_leaf': 128,
'min_sum_hessian_in_leaf': 8,
'num_leaves': 128, 'num_threads': 8,
'tree_learner': 'serial',
'objective': 'regression',
'verbosity': -1,
'random_state':123,
'max_bin': 8,
'early_stopping_round':100
}
lgbm = lgb.train(param,ltr,num_boost_round=10000,valid_sets= [(ltr)],verbose_eval=1000)
y_pred_lgb = lgbm.predict(te.drop(['SalePrice'],1))
y_pred_lgb = np.where(y_pred>=.25,1,0)
# XGBoost
params = {
'max_depth': 4, 'eta': 0.01,
'objective':'reg:squarederror',
'eval_metric': ['rmse'],
'booster':'gbtree',
'verbosity':0,
'sample_type':'weighted',
'max_delta_step':4,
'subsample':.5,
'min_child_weight':100,
'early_stopping_round':50
}
dtr, dte = xgb.DMatrix(tr.drop(['SalePrice'],1),label=tr.SalePrice),
xgb.DMatrix(te.drop(['SalePrice'],1),label=te.SalePrice)
num_round = 5000
xgbst = xgb.train(params,dtr,num_round,verbose_eval=500)
y_pred_xgb = xgbst.predict(dte)
現(xiàn)在我們用所有算法進行了預測。讓我們檢查一下它們的準確性。我們將使用與這次 kaggle 競賽相同的標準，RMSE。
# Check the results
print('RMSE: NGBoost',
round(sqrt(mean_squared_error(X_val.SalePrice,y_pred_ngb)),4))
print('RMSE: LGBM',
round(sqrt(mean_squared_error(X_val.SalePrice,y_pred_lgbm)),4))
print('RMSE: XGBoost',
round(sqrt(mean_squared_error(X_val.SalePrice,y_pred_xgb)),4))
以下是預測結(jié)果的總結(jié)。
預測結(jié)果總結(jié)
看來 NGBoost 的性能優(yōu)于其他著名的 boosting 算法。公平地說，我覺得如果我調(diào)整 BGBoost 的參數(shù)，它會更好。
NGBoost 與其他 boosting 算法最大的區(qū)別之一是可以返回每個預測的概率分布。這可以通過使用 pred_dist 函數(shù)可視化。此函數(shù)能夠顯示概率預測的結(jié)果。
# see the probability distributions by visualising
Y_dists = ngb.pred_dist(X_val.drop(['SalePrice'],1))
y_range = np.linspace(min(X_val.SalePrice), max(X_val.SalePrice), 200)
dist_values = Y_dists.pdf(y_range).transpose()
# plot index 0 and 114
idx = 114
plt.plot(y_range,dist_values[idx])
plt.title(f"idx: {idx}")
plt.tight_layout()
plt.show()
概率分布示例
上面的圖表是每個預測的概率分布。X 軸顯示銷售價格的日志值（目標特征）。我們可以觀察到，指數(shù) 0 的概率分布比指數(shù) 114 的更寬。
結(jié)論與思考
從實驗結(jié)果可以看出，NGBoost 算法與其他著名的 boosting 算法具有相同的性能。然而，計算時間比其他兩種算法要長得多。這可以通過使用子采樣方法來改進。此外，在我的印象中，NGBost 包仍在開發(fā)中，例如，沒有提前停止選項，沒有顯示中間結(jié)果的選項，選擇 Base leaners 的靈活性（到目前為止，我們只能在決策樹和嶺回歸之間選擇），設置一個隨機狀態(tài)種子，等等。我相信這些要點將很快得到落實。
你也可以在我的 GitHub 頁面上找到我在這篇文章中使用的代碼：https://github.com/kyosek/NGBoost-experiments
總結(jié)
NGBoost 是一種返回概率分布的 boosting 算法。
自然梯度增強，一種用于概率預測的模塊化增強算法。這包括 Base leaners、參數(shù)概率分布和評分規(guī)則。
NGBoost 預測與其他流行的 boosting 算法相比具有很大的競爭力。
參考文獻：
[1] T. Duan, et al., NGBoost: Natural Gradient Boosting for Probabilistic Prediction (2019), ArXiv 1910.03225
via：https://towardsdatascience.com/ngboost-explained-comparison-to-lightgbm-and-xgboost-fda510903e53
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
