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.

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 ==

== 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.;

== Обучение ===== Шаги обучения ===

* Строим дерево;* Считаем значение в листьях.

=== Построение дерева ===

* Выбираем первую вершину;* Выбираем лучшее дерево с одной вершиной. ; * Считаем скоры метрику и по ней выбираем лучшее дерево. // todo вставить формулу рассвета скора для сплита

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 градиентуили применить метод Ньютона.

== Как выбрать лучшее Смотрим, на сколько меняется функция ошибки, выбираем такое дерево? ==, чтобы оно как можно лучше приближало вектор градиентов.

Смотрим на сколько меняется функция ошибки, выбираем такое дерево, чтобы оно как можно лучше приближало вектор градиентов. === Как работает градиентный бустинг? ===

Чтобы найти лучший сплит, проверяем похожесть после одного шага алгоритма по градиенту . === Рандомизация === Есть рандомизация метрики, по которой выбирается лучшее дерево. ''Score += random_strength * Rand (0, lenofgrad * q)''  ''q'' {{- это скор--}} множитель, уменьшающийся при увеличении итерации. Таким образом, рандом уменьшается ближе к концу.

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

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.

== Рандомизация скора = Бинаризация признаков ===

Пробовать все {{---}} долго. Поэтому выбираем сетку заранее и ходим по ней. Есть рандомизация скоранесколько способов выбора: * 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 группы 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, поэтому работает не точно, однако быстрее чем MaxSumLog. === Работа с категориальными признаками === * 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.   Лучше не делать препроцессинг самим из-за проблем, описанных выше. В CatBoost можно задать параметр cat_features, передав туда индексы категориальных признаков. Также можно отрегулировать параметр ''Score +one_hot_max_size'' {{---}} максимальное количество различных значений у категориального признака, чтобы он мог в последствии быть подвержен one-hot encoding. = random_strength = Подбор параметров == Ниже описаны гиперпараметры (англ. ''hyperparameters''), на которые стоит обратить внимание при использовании библиотеки. * cat_features;* Overfitting detector;* Число итераций и learning rate;* L2_reg;* Random_srength;* Bagging_temp;* Глубина дерева (стоит попробовать 10 и 6). == Полезная функциональность == * Snapshots;* Overfitting detector;* CV;* eval_metrics. == Бенчмарки == Сравнение библиотеки CatBoost с открытыми аналогами XGBoost, LightGBM и H20 на наборе публичных датасетов<ref>[https://catboost.yandex/#benchmark| Benchmarks]</ref>. == Пример использования ==* Делим данные на тренировочное и тестовое множество Rand '''from''' sklearn.model_selection '''import''' train_test_split  X_train, X_validation, y_train, y_validation = train_test_split(X, y, '''train_size'''=0.5, '''random_state'''=1234) '''print'''(X_train.shape, lenofgrad X_validation.shape) * q)Создаем классификатор '''from''' catboost '''import''' CatBoostClassifier  best_model = CatBoostClassifier( '''bagging_temperature'''=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 )

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. Поэтому выбираем сетку заранее и ходим по ней'''print'''('Resulting tree count:', best_model.tree_count_)

Есть несколько способов выбора > '''Resulting tree count:217'''

* Uniform. Равномерно разбиваем отрезок от минимума значения для данной фичи до максимума.* Медианная сетка. Задаем количество разбиений над множеством значений, далее идем по объектам в порядке сортировки и разбиваем на группы по k объектов, где k - количество объектов в одном слоте разбиения.* UniformAndQuantiles. Комбинация 1 и 2 пунктов.* MaxSumLog - в основе лежит точно правильная динамика, работает долгоИспользуем скользящий контроль (англ.cross validation)* GreedyLogSum - аналог MaxSumLog, однако в основе лежит жадность, поэтому работает не точно, однако быстрее чем MaxSumLog '''from''' catboost '''import''' cv

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 )

* Выводим результат Лучше не делать препроцессинг самим, из-за проблем, описанных вышеbest_value = np. В CatBoost можно задать параметр cat_features, передав туда индексы категориальных фичейmax(cv_data['AUC_test_avg']) best_iter = np. Также можно отрегулировать параметр argmax(cv_data['AUC_test_avg'one_hot_max_size]) '' - максимальное количество различных значений у категориальной фичи'print'''('Best validation AUC score: {:.2f}±{:.2f} on step {}'.format( best_value, чтобы она могла в последствии быть подвержена one-hot encoding. cv_data['AUC_test_stddev'][best_iter], best_iter ))

* 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]]