Изменения

Статья посвящена работе с библиотекой Библиотека CatBoost {{-- методу -}} метод машинного обучения, основанному основанный на градиентном бустинге(англ. ''gradient boosting'').

Практически любой современный метод на основе градиентного бустинга работает с числамичисловыми признаками. Если у нас в наборе данных присутствуют не только числовые, но и категориальные признаки (англ. ''categorical features''), то необходимо переводить категориальные признаки в числовые. Это приводит к искажению их сути и потенциальному снижению точности работы модели.Именно поэтому было важно научить машину разработать алгоритм, который умеет работать не только с числамичисловыми признаками, но и с категориями категориальными напрямую, закономерности между которыми она этот алгоритм будет выявлять самостоятельно, без ручной «помощи».CatBoost разработан так{{---}} библиотека для градиентного бустинга, главным преимуществом которой является то, чтобы что она одинаково хорошо работать работает «из коробки» как с числовыми признаками, так и с категориальными. Программное обеспечение разработано по методологии SCRUM.

Документацию по CatBoost можно найти здесь: на сайте<ref>[https://tech.yandex.com/catboost/doc/dg/concepts/about-docpage/Документация CatBoost]</ref>.

=== Дерево решений ===

Алгоритм работы следующий: для каждого документа имеется набор значений фичейпризнаков, имеется дерево, в вершинах которого дерева {{---}} условия при выполнении которых мы идем . Если условие выполнено, осуществляется переход в правого ребенка вершины, иначе в левого. Очень просто для конкретно ребенка Нужно пройти до листа по дереву в соответствии со значениям фич значениями признаков для документа. На выходе каждому документу соответствует значение листа. Это и есть ответ.

=== Бустинг ===

Идея бустинг-подхода заключается в комбинации слабых (с невысокой обобщающей способностью) функций, которые строятся в ходе итеративного процесса, где на каждом шаге новая модель обучается с использованием данных об ошибках предыдущих. Результирующая функция представляет собой линейную комбинацию базовых, слабых моделей. Более подробно можно посмотреть в статье про градиентный бустинг<ref>[https://en.wikipedia.org/wiki/Gradient_boosting |Gradient Boosting, Wikipedia]</ref>. Далее будет рассматриваться бустинг деревьев решений. Будем строить несколько деревьев, чтобы добавление новых деревьев уменьшало ошибку. Итого при достаточно большом количестве деревьев мы сможем сильно уменьшить ошибку, однако не стоит забывать, что чем больше деревьев, тем дольше обучается модель и в какой-то момент прирост качества становится незначительным. === Градиентный бустинг ===

* Градиент функции ошибки {{- --}} все производные по всем значениям функцииГрадиентный бустинг {{---}} метод машинного обучения, который создает решающую модель прогнозирования в виде ансамбля слабых моделей прогнозирования, обычно деревьев решений. Он строит модель поэтапно, позволяя оптимизировать произвольную дифференцируемую функцию потерь. == Особенности CatBoost == === Режимы работы === * Регрессия (англ. ''regression''); * Классификация (англ. ''classification''); Функция потерь (англ. ''loss function'') {{---}} максимизируем вероятность того, что все объекты в обучающей выборке классифицированы правильно, вероятность - это сигмоида над значением формулы. Функция ''predict_proba'' {{---}} на выходе получаем готовые вероятности. Нужно отметить, что складывать их уже нельзя. Функция ''predict'' {{---}} выдает необработанный результат. Такой результат можно складывать, например, с результатами других моделей.* Мультиклассификация (англ. ''multiclass classification'');* Ранжирование (англ. ''ranking'').Объекты с попарной классификацией (??) === Метрики === Поддерживает множество [[Оценка_качества_в_задачах_классификации_и_регрессии|метрик]]^{[на 28.01.19 не создан]} (англ. ''metrics''), таких как:* Регрессия: ''MAE, MAPE, RMSE, SMAPE'' etc.;* Классификация: ''Logloss , Precision, Recall, F1, CrossEntropy, BalancedAccuracy'' etc.;* Мультиклассификация: ''MultiClass, MultiClassOneVsAll, HammingLoss, F1'' etc.;* Ранжирование: ''NDCG, PrecisionAt, RecallAt, PFound, PairLogit'' etc. == Обучение ===== Шаги обучения === * Строим дерево;* Считаем значение в листьях. === Построение дерева ===

Будем минимизировать ошибку опираясь на градиентПроцесс построения происходит жадно.== Режимы работы ==

* Регрессия mse - функция потерьВыбираем первую вершину;* Классификация Функция потерь - максимизируем вероятность того что все объекты в обучающей выборке классифицированы правильно, вероятность - это сигмоида над значением формулыФункция ```predict_proba``` - на вхоже получаем готовый вероятности. Нужно отметить, что складывать их уже нельзя.Функция ```predict``` - выдает необработанный результат. Такой результат можно складывать, например, Выбираем лучшее дерево с результатами других моделей.одной вершиной; * Мультиклассификация * Ранжирования - (объекты с попарной классификацией)Считаем метрику и по ней выбираем лучшее дерево.

----Дерево строится по слоям. Гарантировано на каждом слое один и тот же сплит (условие по которому мы делим). === Вычисление значений в листьях === Во время вычисления значений в листьях можем позволить себе сделать больше операций, так как у нас уже зафиксирована структура дерева и значения в листьях будут вычислены единожды. Поэтому можем себе позволить даже сделать несколько шагов по градиенту или применить метод Ньютона. === Как выбрать лучшее дерево? === Смотрим, на сколько меняется функция ошибки, выбираем такое дерево, чтобы оно как можно лучше приближало вектор градиентов.

== Оптимизируемые функции = Как работает градиентный бустинг? ===

Поддерживает много оптимизируетмых функцийОтметим, что существует идеальный шаг по градиенту, однако листьев в дереве меньше, чем документов в датасете. Для конкретной модели выбирается одна оптимизируемая функцияПоэтому мы можем пытаться приближать тот самый идеальный шаг.Чтобы найти лучший сплит, проверяем похожесть после одного шага алгоритма по градиенту.

Есть рандомизация метрики, по которой выбирается лучшее дерево. ''Score +== Метрики ==random_strength * Rand (0, lenofgrad * q)''

Поддерживает много метрик''q'' {{---}} множитель, уменьшающийся при увеличении итерации. Таким образом, рандом уменьшается ближе к концу.

== Шаги обучения Работа с датасетом == === Режимов выборки данных ===

* Бутстрап (англ. ''bootstrap'') Бернулли {{---}} выбираем документ с вероятностью ''p''. Регулируется параметром ''sample_rate'';* Байесовский бутстрап {{---}} байесовское распределение. Регулируется параметром ''bagging_temp''.

== Построение Отметим, что бутстрап используется только для выбора структуры дерева ==, для подсчета значения в листьях используем всю выборку. Это сделано, так как выбор структуры дерева происходит долго, нужно несколько раз пересчитывать значения, поэтому использовать всю выборку слишком дорого. Однако значения в листьях с уже готовой структурой дерева считаются один раз, и для большей точности можно позволить использовать весь датасет.

Смотрим * Uniform. Равномерно разбиваем отрезок от минимума значения для данного признака до максимума;* Медианная сетка. Задаем количество разбиений над множеством значений, далее идем по объектам в порядке сортировки и разбиваем на сколько меняется функция ошибкигруппы по k объектов, где k {{---}} количество объектов в одном слоте разбиения;* UniformAndQuantiles. Комбинация 1 и 2 пунктов;* MaxSumLog {{---}} в основе лежит динамика, работает долго;* GreedyLogSum {{---}} аналог MaxSumLog, используется жадный алгоритм, выбираем такое деревопоэтому работает не точно, чтобы оно как можно лучше приближало вектор градиентоводнако быстрее чем MaxSumLog.

== Работа с датасетом Полезная функциональность ==

* Бутстрап Бернулли - выбираем документ Сравнение библиотеки CatBoost с вероятностью ''p''открытыми аналогами XGBoost, LightGBM и H20 на наборе публичных датасетов<ref>[https://catboost. Регулируется параметром ''sample rate''* Байесовский бутстрап - байесовское распределениеyandex/#benchmark| Benchmarks]</ref>. Регулируется параметром ''bagging temp''

Отметим X_train, что бутстрап используется только для выбора структуры дереваX_validation, для подсчета значения в листьях используем всю выборкуy_train, y_validation = train_test_split(X, y, '''train_size'''=0. Это сделано так как выбор структуры дерева происходит долго, нужно несколько раз пересчитывать значения5, поэтому использовать всю выборку - слишком дорого'''random_state'''=1234) '''print'''(X_train. Однако значения в листьях с уже готовой структурой дерева считаются один разshape, и для большей точности можно позволить использовать весь датасетX_validation.shape)

best_model =CatBoostClassifier( '''bagging_temperature'''= Рандомизация скора 1, '''random_strength'''=1, '''thread_count'''=3, '''iterations'''=500, '''l2_leaf_reg''' = 4.0, '''learning_rate''' = 0.07521709965938336, '''save_snapshot'''=True, '''snapshot_file'''='snapshot_best.bkp', '''random_seed'''=63, '''od_type'''='Iter', '''od_wait'''=20, '''custom_loss'''=['AUC', 'Accuracy'], '''use_best_model'''=True )

Есть рандомизация скора. ''Score += random_strength * Rand (0, lenofgrad * q)'', где ''q'' - множитель, уменьшающийся при увеличении итерации. Таким образом, рандом уменьшается ближе к концу.рандома----Обучаемся

best_model.fit( X_train, y_train, '''cat_features'''=cat_features, '''eval_set'''= Бинаризация фичей (X_validation, y_validation), '''logging_level'''='Silent', '''plot'''=True ) * Вывод числа деревьев в модели

Пробовать все - долго'''print'''('Resulting tree count:', best_model. Поэтому выбираем сетку заранее и ходим по ней. Есть несколько способов выбора:tree_count_)

params =best_model.get_params() params['iterations'] = Работа с категориальными фичами 10 params['custom_loss'] ='AUC' del params['use_best_model'] pool1 =Pool(X, '''label'''=y, '''cat_features'''=cat_features)

* LabelEncoding - работает плохо cv_data = cv( '''params''' = params, '''pool''' = pool1, '''fold_count'''=2, так как появляется отношения порядка между объектами.* One-hot encoding - работает '''inverted'''=False, если различных значений фичи не много. Иначе одна фича размножится на множество фичей и влиять на модель заведомо сильнее остальных фичей. '''shuffle'''=True, '''stratified'''=False, '''partition_random_seed'''=0 )

Лучше не делать препроцессинг самим, из-за проблем, описанных выше> '''Best validation AUC score: 0. В CatBoost можно задать параметр cat_features, передав туда индексы категориальных фичей91±0. Также можно отрегулировать параметр 00 on step 9''one_hot_max_size'' - максимальное количество различных значений у категориальной фичи, чтобы она могла в последствии быть подвержена one-hot encoding.

Ниже описаны гиперпараметры, на который стоит обратить внимание при использовании библиотеки==См.также==* cat_features* Overfitting detector* Число итераций [[:Дерево_решений_и_случайный_леc|Дерево решений и learning rateслучайный леc]]^{[на 28.01.19 не создан]}* L2_reg* Random_srength* Bagging_temp* Глубина дерева (стоит попробовать 10 и 6)[[:Бустинг,_AdaBoost|Бустинг, AdaBoost]]

== Бенчмрки Примечания==<references/>

Сравнение библиотеки CatBoost с открытыми аналогами XGBoost, LightGBM и H20 на наборе публичных датасетов== Источники информации ==* [https://tech.yandex. Результаты com/catboost/doc/dg/concepts/about- docpage/| Overview of CatBoost]* [https://catboosten.wikipedia.yandexorg/wiki/#benchmarkGradient_boosting| Gradient Boosting, WIkipedia][[Категория: Машинное обучение]][[Категория: Ансамбли]]