2. 1. Bagging vs Boosting
앙상블 기법의 종류 : 여러 개의 모델 결과를 합쳐 사용
Variance Bias
3. 2. AdaBoost
가장 기초적인 부스팅 알고리즘
1) 이전 모델의 Error를 기반으로 weight를 계산
2) Exponential Loss function을 이용해 Update
4. 2. AdaBoost
1) Error 계산
2) 가중치 계산
3) Exponential Loss Fucntion을 통해 Update
Y : 실제 결과
h : 예측 결과
W_t : t번째 분류기 가중치
- 단점
높은 weight 존재 시
성능이 크게 떨어짐 , 이상치에 약함
6. 3. Gradient Boosting Decision Tree
특징
1) 실제값 – 예측값 = h 라 하고 h와 유사한 Loss function을 가정
2) 이전까지 학습된 모델 F 에 대해 미분하면 기울기로 표현됨
음의 기울기가 0으로 수렴하도록 탐색
- 장점
좋은 성능, 다양한 Loss fucntion 지원
- 단점
과적합 위험, 느린 속도
Gradient descent가 크게 일어나는 지점으로 탐색
7. 4. XGBoost : 병렬처리와 Tree 알고리즘을 이용해 속도개선
- CART (Classfication And Regression Trees)
1) CART 알고리즘 적용
8. 4. XGBoost
일반적인 트리 CART
분류기준 Entropy, information gain Gini index
분류방식 Field별 값을 기준으로 분할 이진 트리
과적합방지 X O
Leaf Node 데이터 수 조절
최소 변화량 조절
장점 구현 용이 사후 가지치기 가능
Leaf 별 점수할당
단점 Category 속성이 많으면
Tree가 깊어짐,
분기할 Feature 선택에 필요한
계산량 많음
충분한 학습데이터 필요
적을 경우 과적합 유발
- CART (Classfication And Regression Trees)
1) CART 알고리즘 적용
10. 4. XGBoost
- 다양한 Loss function : Taylor 급수를 이용해 다양한 옵션 제공
4) 다양한 Loss function 지원
11. 4. XGBoost
- 주요 Parameter 소개 (Python , Scikit-learn)
+ 파라미터 조절에 따른 불균형데이터 성능 변화
1. General Parameter : 모양
- booster : 모델의 종류 (default = gbtree)
- nthread : 코어 수
- num_feature : feature 수
2. Booster Parameter :
- min_child_weight
: 관측치들 가중치 합의 최소값 (default = 1) -> 1로 고정
- max_delta_step (default = 0)
: 로지스틱에서는 불균형 처리에 도움이 됨 (1~ 10 해보기, 0~inf)
- scale_pos_weight (default = 1)
: sum(negative instances) / sum(positive instances)
- eta : 학습률 (default = 0.3)
- gamma : loss function에서 분할하는데 필요한 최소 reduction (default = 0)
- max_depth : 트리의 최대 크기 (default = 6)
- max_leaf_nodes : 2^max_depth
- lambda : L2 regularization
- alpha (L1 regularization)
3. Learning Task Parameter
- objective : loss function (default = reg:linear)
- eval_metric
12. 5. LightGBM
1. Data 수 감소
- GOSS(Gradient-based One-Side Sampling)
: Tree의 information gain 계산 전 데이터의 일부를 선별
2. Feature 묶음
- EFM(Exclusive Feature Bundling)
: Graph Coloring , 히스토그램 기반 알고리즘을 이용해
split point 정확도를 적게 훼손하며 변수 개수를 효과적으로 감소
1) 어떤 feature들을 묶을 것인가? / What?
2) 그럼 어떻게 묶을 것인지? / How?
: 계산할 Data, Feature수를 줄이자
13. 5. LightGBM
1. GOSS(Gradient-based One-Side Sampling)
Information gain 계산 전 Gradient가 큰 data를 선별하자
- 알고리즘
1) gradient 절대값에 따라 data를 정렬하고 상위 a x 100% 선택 = topSet
2) 나머지 데이터에서 b x 100% 개체를 무작위 표본 추출 = randSet
3) information gain 계산 시 randSet을 1-a / b 만큼 증폭
-> 원 데이터 분포를 많이 바꾸지 않으면서 훈련이 덜 된 개체에 초점
15. 5. LightGBM
1) 어떤 feature들을 묶을 것인가? / What?
- Graph Coloring 문제로 정의
: NP-hard 다항시간 내에 solution을 찾을 수 없다
- 따라서, Greedy algorithm 적용
: 충돌, 꼭짓점 차수 기준으로
욕심쟁이 탐색
2. EFM(Exclusive Feature Bundling)
고 차원은 sparse 해서 0이 아닌 변수를 동시에 갖는 경우는 거의 없다
ex. One-Hot encoding
feature1 feature2
feature3
conflicts
0이 아닌 값들
16. 5. LightGBM
1) 어떤 feature들을 묶을 것인가? / What?
a. edge마다 weight가 있는 그래프 구성
(weight = 변수 간 총 충돌 횟수 , 없으면 edge X)
b. 꼭지점 차수를 기준으로 내림차순 정렬
c. 작은 충돌(gamma로 제어)이 있는
기존 묶음에 할당하거나 새로운 묶음을 만들자
2. EFM(Exclusive Feature Bundling)
feature1 feature2
feature3
conflicts
0이 아닌 값들
17. 5. LightGBM
2) 그럼 어떻게 묶을 것인지? / How?
- Histogram-based algorithm
: 정렬한 변수 값에서 분할점을 찾는 대신 연속적인 변수 값을 개별 구간으로
나누고 이 구간을 사용하여 split을 찾는다.
2. EFM(Exclusive Feature Bundling)
feature A : [0, 10] feature B : [0, 20]
feature B : [10, 30]
+ 10
feature A : [0, 10]
New_feature C = A + B
= [0, 30]
18. 5. LightGBM
2) 그럼 어떻게 묶을 것인지? / How?
- Histogram-based algorithm 특징 2가지
2. EFM(Exclusive Feature Bundling)
Leaf-wise Growth Ignoring sparse inputs
19. - Readthedocs 튜닝가이드
1. For Faster Speed
- bagging_fraction , bagging_freq
- feature_fraction
- max_bin
- save_binary
: to speed up data loading in future learning
2. For Better Accuracy
- max_bin : Use large number
- learning_rate : small with large num_iter
- num_leaves
3. Deal with Over-fitting
- max_bin : small
- num_leaves : small
- lambda_l1 , lambda_l2 , min_gain_to_split
- max_depth : small (to avoid growing deep tree)
5. LightGBM
- Kaggle 추천 가이드
-num_leaves
: 2^(max_depth) 추천이나 80보다 큰 경우 더 아래로
-is_unbalance = True
-scale_pos_weight = True
![5. LightGBM
2) 그럼 어떻게 묶을 것인지? / How?
- Histogram-based algorithm
: 정렬한 변수 값에서 분할점을 찾는 대신 연속적인 변수 값을 개별 구간으로
나누고 이 구간을 사용하여 split을 찾는다.
2. EFM(Exclusive Feature Bundling)
feature A : [0, 10] feature B : [0, 20]
feature B : [10, 30]
+ 10
feature A : [0, 10]
New_feature C = A + B
= [0, 30]](https://image.slidesharecdn.com/boosting-181025154255/85/Boosting_suman-17-320.jpg)
