很久以前写的Xgboost有一些没写好，现在填坑_part1【xgboost是gbdt升级版】

拟合是外在，优化是核心

GBDT也好，XGBOOST也好，目标就是寻找多棵树的预测结果，合起来比如简单求和、加权求和，与实际值尽量接近（损失函数最小）。

本质工作就是最小化损失函数，使得预测值与实际值尽量接近

1.以GBDT来看树的生成

拿起笔，拿一张纸，边写边画，门槛不高，易懂，还是会损失一些严谨性。

既然目标是找到多棵树（树是二叉树，多叉树可等价为一个多层的二叉树），合起来（比如求和）后，样本的预测值与实际值尽量接近，那么我们首先来解决一个问题：

1.1 叶子节点值如何确定：损失函数求最优

假设已经存在了$t-1$棵树，如何设计第$t$棵树，使得经过第$t$棵树后，整体样本的预测值与实际值尽量接近？

1. 假设已经存在了$t-1$棵树（$t=1$时，就是GBDT/XgBoost的初始状态），$m$个样本，每个样本的实际值也就是label为$y_i^r$，其中$i=1,2,3...m$；
2. 每个样本第$k$棵树的预测值（叶子节点值）为$w_i^k$，其中$k=1,2...t-1$，$i=1,2,3...m$；
3. 每个样本前面$t-1$棵树的预测值之和$y_i^{t-1}={\sum }_{k=1}^{t-1}{w}_i^k$，$i=1,2,3...m$；
4. 对于第$t$棵树，先假设这棵树不分裂，只有一个根节点、也是叶子节点，那么这m个样本都分配到这个节点，那么m个样本在这颗树的预测值$w_i^t$是相等的，即$w_1^t=w_2^t=...=w_m^t$，那么，请问$w_i^t$取值多少时能使得m个样本的$y_i^t$与label值$y_i^r$整体最接近？；
5. 首先，如何衡量m个样本的$y_i^t$与label值$y_i^r$的整体接近程度呢，构建一个损失函数$L=1/m\ast {\sum }_{i=1}^{m}l(y_i^t,y_i^r)$，当$L$越小时，m个样本的$y_i^t$与label值$y_i^r$的整体越接近；
6. 先做一个简单的，假设使用平方损失函数也就是$L=1/m\ast {\sum }_{i=1}^m(y_i^t-y_i^r{)}^2$，代入3的公式得到$L=1/m\ast {\sum }_{i=1}^m(y_i^{t-1}+w_i^t-y_i^r{)}^2$，对于构建$t$棵树的时候，前面$t-1$棵树已经生成，所以$y_i^{t-1}$可以看做常数，$y_i^r$本来也是固定的，所以可以假设这么一个常数$c_i^{t-1}=y_i^r-y_i^{t-1}$，$L$可以变为$L=1/m\ast {\sum }_{i=1}^m(y_i^{t-1}+w_i^t-y_i^r{)}^2=1/m\ast {\sum }_{i=1}^m(w_i^t-c_i^{t-1}{)}^2$；
7. 进一步，利用4中$w_i^t$都相等，设为$x$，对于$L$换个高中就熟悉的形式$L=1/m\ast {\sum }_{i=1}^m(x-c_i^{t-1}{)}^2$，是不是很熟悉了，$L$是关于$x$的二次函数，二次函数求最值，很简单吧；
8. 恩，二次函数求极值会发现$x=1/m\ast {\sum }_{i=1}^m{c}_i^{t-1}$，是不是就是$m$个样本在$t-1$树后残差$y_i^r-y_i^{t-1}$的平均值；
9. 所以，在损失函数为平方损失的时候，会发现第$t$棵树学习的恰好是前$t-1$棵树的残差，这是损失函数最小化时的表象。

1.2 一次分裂的分裂点选择：枚举选最优

前面考虑的是第$t$棵树不分裂，只有一个根节点，现在要求第$t$棵树分裂1次，使得经过第$t$棵树后，整体样本的预测值与实际值尽量接近？

1. 继续画一画，$m$个样本有$j$个特征，每个特征分裂点个数为$a_j$，那么枚举的话，可以生成${\sum }_{i=1}^j{a}_i$种二叉树；从中，随便拿一个二叉树$Tre{e}_s$；
2. 按照该树选择的特征和分裂点，一部分样本分配到左节点$N_{left}$，叶子节点取值为$w_{s,left}$，另一部分样本分配到右节点$N_{right}$，叶子节点取值为$w_{s,right}$，这个时候$w_{s,left}$和$w_{s,right}$的取值不用再说了吧，为使得损失函数$L_s$最小，继续上面的最优化求解，结果为这个叶子节点下样本残差的均值，此时的$L_s$也是$Tre{e}_s$对应的最优值；
3. 在${\sum }_{i=1}^j{a}_i$种二叉树中，哪一棵树的$L_s$最小，就是这一轮分裂枚举的最优二叉树。

1.3 多次分裂的分裂点选择：复杂度计算+贪婪策略

进一步，前面考虑的是要求第$t$棵树只分裂1次，使得经过第$t$棵树后，整体样本的预测值与实际值尽量接近，那么现在要求分裂2次、3次、$h$次、任意次呢，怎么做？

答案：大家都知道，用的贪婪策略，也就是先第一层遍历特征和分裂点，寻找最优的分裂点和叶子节点值；然后下一层也如此，一层一层下去。

现在我们来想想为什么选择这个策略：

1. 先看看决策树生成的复杂度，第一层根节点最优分裂，对于$m$个样本，有$j$维特征，每个特征可分裂点数为$a_j$，必然存在$a_j\le m$，那么第一层枚举特征、分裂点的种类数为$s_1=({\sum }_{i=1}^j{a}_i)\le j\ast m$，也就是说，枚举特征、特征分割点，需要遍历$s_1$次，取$L_s$最小的作为这一轮分裂选择；如果计算一次$L_s$的时间成本为$T_{cons}$，那么这一层枚举寻优时间消耗为$s_1\ast T_{cons}\le j\ast m\ast T_{cons}$；
2. 第1层根节点分裂后，第2层左节点样本数为$m_{2,l}$，右节点样本数为$m_{2,r}$，满足$m_{2,l}+m_{2,r}=m$，第2层左节点寻找最优分裂，枚举次数为$s_{2,l}\le j\ast m_{2,l}$，同样，右侧节点寻找最有分裂，枚举次数为$s_{2,r}\le j\ast m_{2,r}$，整体的枚举次数$s_2=s_{2,l}+s_{2,r}\le j\ast m_{2,l}+j\ast m_{2,r}=j\ast m$；这一层枚举寻优时间消耗为$s_2\ast T_{cons}\le j\ast m\ast T_{cons}$
3. 你会发现，每一次层枚举次数的上边界值为$j\ast m$，当然这只是边界值，实际的情况应该是$j\ast 10$或者$j\ast 100$这种，就是把特征按照分位点或者什么规则分成10个区间、100个区间等，就不细究了。这里重点就是，每一层的枚举花费时间都是一个级别，都是$j\ast m\ast T_{cons}$这个级别
4. 关键点来了：对于深度为D层的树，你要找到数的最优结构，枚举次数是$(j\ast m{)}^D$，到这里，你发现了，枚举最优树结构的复杂度是指数级别，因此选择贪婪策略是妥协选择。
5. 贪婪做法：先遍历第1层选最优，再到第2层选最优…然后到D层，复杂度变为$(j\ast m)\ast D$，哦豁，相对来说是线性级别。当然，贪婪的结果就是得到的结果是局部最优，不一定是全局最优。
6. 这就是实际情况，并不一定需要全局最优，局部最优也够解决问题了

2.再看Xgboost损失函数

2.1 损失函数一般化，后面寻优策略本质未变

损失函数一般化，二阶近似，加上考虑模型复杂度的正则项。

一步步来，我们先搬出来上面的旧损失函数：

$L={\sum }_{i=1}^{m}l(y_i^t,y_i^r)$

当时$l(y_i^t,y_i^r)$假设为平方损失，后面就是一个一般的函数。

同样，与咱们上面的「1.1 叶子节点值如何确定」一样，仍然先考虑第$t$棵树不分裂节点，样本都在这个节点下，预测值$w_i^t$都相等，原来的损失函数改一下到xgboost论文里的函数：

$L={\sum }_{i=1}^{m}l(y_i^t,y_i^r)+\gamma \ast T+\frac{1}{2}\ast (w_i^t{)}^2$

后面的2项我在以前的博客说过啦：

我们重点来聊聊$l(y_i^t,y_i^r)$，按照上文可以写成：

$l(y_i^t,y_i^r)=l(y_i^{t-1}+w_i^t,y_i^r)$

我先假设一下，大家的数学水平在多年社会毒打后，停留在高中、大一这个层次，印象中留下的只有导数这么点感觉，我们把上面的形式换一个熟悉一点的情况：

$l(y_i^t,y_i^r)=l(y_i^{t-1}+w_i^t,y_i^r)\to l(x_0+\Delta x,c)$

然后，设计到泰勒展开式，这个呢，你可以百度一下，意思就是在$x=x_0$处用一个多项式$f_{multi}(x_0)$来近似表示原函数，要求这个新的多项式函数在$x=x_0$处的函数值、1阶导、各级导数都与原函数相等：

$l(x_0+\Delta x,c)\approx l(x_0,c)+{\frac{\partial l(x,c)}{\partial x}}_{x=x_0}\ast \Delta x+\frac{1}{2}\ast {\frac{\partial l^2(x,c)}{\partial x^2}}_{x=x_0}\ast \Delta x^2$

写到这里，把$x_0$换回去$y_i^{t-1}$，$\Delta x$换回去$w_i^t$，然后细品一下，细细品：

$l(y_i^{t-1}+w_i^t,y_i^r)\approx \frac{1}{2}{a}_i\ast (w_i^t{)}^2+b_i\ast (w_i^t)+c_i$

其中$a_i={\frac{\partial l^2(x,c)}{\partial x^2}}_{x=x_0}$，$b_i={\frac{\partial l(x,c)}{\partial x}}_{x=x_0}$，$c_i=l(x_0,c)$

（这里采用的符号、变量名很业余，很不严谨，只是方便回忆起高中数学、大学数学的感觉，好理解，理解是目的，形式咱先忍一忍…）

到这里，是不是发现损失函数也是一个二次函数，继续重新走上面的路「1.以GBDT来看树的生成：1.1叶子节点值如何确定；1.2一次分裂的分裂点选择；1.3 多次分裂的分裂点选择」，是不是又是二次函数求最值、枚举取最优，完事儿？

ps:还记得平方损失时，叶子节点数值$w_i^t$是节点样本的均值，那么看看上面新的损失函数二次近似以后叶子节点值是多少：

以节点不分离为例，此时$T=1$，

$L={\sum }_{i=1}^m(\frac{1}{2}{a}_i\ast (w_i^t{)}^2+b_i\ast (w_i^t)+c_i)+\gamma +\frac{1}{2}\ast (w_i^t{)}^2$

二次函数求最值，不多说，还是如此的简单：

${w_i^t}^{\ast }=-\frac{{\sum }_1^m{b}_i}{\gamma +{\sum }_1^m{a}_i}$

虽说后面的部分有工程上的细节优化，但是不改贪婪+枚举寻优的本质？

2.2 看下正则和二阶近似

1.正则提高泛化能力

实话说，原理上我也没仔细研究过，暂时贴一下人家的回答，我有空回头研究，https://www.zhihu.com/question/20700829：

看见没，人家这叫专业！

2.为啥是二阶近似，而不是一阶，为了快？

这个话题太专业了，看看人家的回答吧。

借用https://www.jiqizhixin.com/articles/2020-02-27-5的说法：

（1）直观感觉上
假设如果我们希望找到$L$的「谷底」：
采用一阶梯度，也就是坡度的陡和缓来确定步子要迈多大；
而坡度本身也是有变化的，即逐渐变陡或变缓；
之前我们可以慢慢多走几步，就能根据坡度的变化直接调整；
如果能用二阶梯度，相当于梯度的梯度，那么也就知道坡度变化的趋势，因此一步就能走的更精准。

（2） 二阶优化，就是单次计迭代计算量增加了，但是每一步走得更精准，因而迭代步数更少，这是二阶梯度算法 Shampoo 表现
（3） 举一个不恰当，但是很直观的例子，拿二次函数寻最优来看，按一阶优化，要走几步才能到最低点，每一步计算下一阶导数就行；按二阶优化牛顿法，一步到位，但是要计算一阶导数和二阶导数，牛顿法我就不写公式了，看下这里https://blog.csdn.net/Im_Chenxi/article/details/80546742。

3.接着看Xgboost性能加速（待填坑）

4.看lightGBM性能加速（待填坑）

小结

xgboost果然是加强版的gbdt，工程上的优化先不说，损失函数一般化，这不就是明显的个例到一般的升华么？

另外，上次我说判断力最重要，后来想想也不对，还是执行力在前面，只敢想不敢做，哪来的经验积累，哪来的样本训练判断力，都是空想了。

「小时候自己十分好奇，同样是主角，为什么永远都是太一的亚古兽先进化。直到长大后才明白，都是因为：只有拥有了勇气，才会有友情，爱心，纯真，诚实，知识，光明，最后才会充满希望。」