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.

Будем минимизировать ошибку опираясь на градиент.== Режимы работы Особенности CatBoost ==

* 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 === Процесс построения происходит жадно.  * Выбираем первую вершину;* Выбираем лучшее дерево с одной вершиной; * 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.

== Оптимизируемые функции = Как выбрать лучшее дерево? ===

Поддерживает много оптимизируетмых функций. Для конкретной модели выбирается одна оптимизируемая Смотрим, на сколько меняется функцияошибки, выбираем такое дерево, чтобы оно как можно лучше приближало вектор градиентов.

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

== Построение дерева Работа с датасетом == === Режимов выборки данных ===

Процесс построения происходит жадноCatBoost поддерживает несколько режимов выборки данных * Бутстрап (англ. ''bootstrap'') Бернулли {{---}} выбираем документ с вероятностью ''p''. Регулируется параметром ''sample_rate'';* Байесовский бутстрап {{---}} байесовское распределение. Регулируется параметром ''bagging_temp''.

* Выбираем первую вершину* Выбираем лучшее дерево 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 одной вершиной. * Считаем скоры уже готовой структурой дерева считаются один раз, и выбираем лучшее дереводля большей точности можно позволить использовать весь датасет. // todo вставить формулу рассвета скора для сплита

== 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 Пробовать все {{---}} долго. Поэтому можем себе позволить даже сделать несколько шагов выбираем сетку заранее и ходим по градиентуней.

* LabelEncoding {{---}} на реальных примерах точность работы низкая, так как появляется отношения порядка между объектами;* One-hot encoding {{---}} дает неплохую точность, если различных значений признаков не много. Иначе один признак размножится на множество признаков и будет влиять на модель заведомо сильнее остальных признаков.

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 Сравнение библиотеки CatBoost с уже готовой структурой дерева считаются один разоткрытыми аналогами XGBoost, LightGBM и для большей точности можно позволить использовать весь датасетH20 на наборе публичных датасетов<ref>[https://catboost.yandex/#benchmark| Benchmarks]</ref>.

X_train, X_validation, y_train, y_validation =train_test_split(X, y, '''train_size'''= Рандомизация скора =0.5, '''random_state'''=1234) '''print'''(X_train.shape, X_validation.shape)

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

best_model =CatBoostClassifier( '''bagging_temperature'''= Бинаризация фичей 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 )

* Uniform. Равномерно разбиваем отрезок от минимума значения для данной фичи до максимума best_model.fit(* Медианная сетка. Задаем количество разбиений над множеством значений X_train, y_train, далее идем по объектам в порядке сортировки и разбиваем на группы по k объектов '''cat_features'''=cat_features, где k - количество объектов в одном слоте разбиения.* UniformAndQuantiles. Комбинация 1 и 2 пунктов. '''eval_set'''=(X_validation, y_validation),* MaxSumLog - в основе лежит точно правильная динамика '''logging_level'''='Silent', работает долго. '''plot'''=True ) * GreedyLogSum - аналог MaxSumLog, однако Вывод числа деревьев в основе лежит жадность, поэтому работает не точно, однако быстрее чем MaxSumLogмодели

* LabelEncoding - работает плохо, так как появляется отношения порядка между объектамиИспользуем скользящий контроль (англ.cross validation)* One-hot encoding - работает, если различных значений фичи не много. Иначе одна фича размножится на множество фичей и влиять на модель заведомо сильнее остальных фичей. '''from''' catboost '''import''' cv

Лучше не делать препроцессинг самимcv_data = cv( '''params''' = params, '''pool''' = pool1, '''fold_count'''=2, из-за проблем '''inverted'''=False, описанных выше. В CatBoost можно задать параметр cat_features '''shuffle'''=True, передав туда индексы категориальных фичей. Также можно отрегулировать параметр ''one_hot_max_size'stratified' - максимальное количество различных значений у категориальной фичи''=False, чтобы она могла в последствии быть подвержена one-hot encoding. '''partition_random_seed'''=0 )

* Snapshots* Overfitting detector==См. также==* cv[[:Дерево_решений_и_случайный_леc|Дерево решений и случайный леc]]^{[на 28.01.19 не создан]}* eval_metrics[[: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]]