- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
lightgbm 中 min_sum_hessian_in_leaf 的含义是什么(参见 http://lightgbm.readthedocs.io/en/latest/Parameters.html )?我知道 hessian 是二阶导数的矩阵,但我不明白这在 lightgbm (或一般梯度增强)的上下文中意味着什么。 lightgbm 如何将该矩阵压缩为单个值?
最佳答案
简单回答:
封面(又名 min_sum_hessian_in_leaf )只是一个参数,用于考虑我们分割的叶子中的观察数量(实际上不止于此)。在 m=1,..,M 估计器中进行分割时;如果叶子中的粗麻布总和低于 min_sum_hessian_in_leaf,树将停止生长。例如,在最简单的情况下,当我们谈论回归时,损失函数是典型的 (1/2)*sum(y_i-ypred_i )^2 (无正则化),则 sum_hessian_in_leaf 等于叶子。所以假设 min_sum_hessian_in_leaf = 3 ;因此,我们需要在每个叶子中至少进行 3 个观察才能考虑新的 split 。因此,如果 min_sum_hessian_in_leaf = 0 ,m 树(记住 gbm 是 m=1,..,M 树/估计器)将自由生长,当然,不受约束生长的树往往会过度拟合。另一方面,min_sum_hessian_in_leaf 足够高,m=1,..,M 将具有较低的复杂性(如树桩/短树)。
更复杂(我的解释):
此时您可能会问自己为什么我们要谈论粗麻布。答案相当复杂,但解决 GBM 算法的一种方法(参见此处的算法 https://en.wikipedia.org/wiki/Gradient_boosting )iS 不是最小化实际损失函数,而是最小化损失函数的近似值。哪个正在采取0 附近的二阶多项式(这将使我们能够通过牛顿拉夫森算法解决问题)。因此,现在要最小化的损失函数取决于一阶导数(也可以被视为雅可比矩阵)和二阶导数(也可以被视为海森矩阵)。此时,我们知道在决策树的背景下,当我们有一个具有高 Hessian 的新分割时,这意味着分割可以很好地减少损失(由于近似,实际上我们正在尝试减少GBM 背景下的损失)。因此,当 min_sum_hessian_in_leaf > sum_hessian_in_leaf 时,这意味着我们的分割不够好,因此我们无法在树中进行分割。另一方面,如果 min_sum_hessian_in_leaf <= sum_hessian_in_leaf ,这意味着我们的分割足以减少损失(实际上是损失的梯度),因此我们可以保持树生长。sum_hessian_in_leaf 的公式因损失函数而异。因此,您打赌根据您试图最小化的损失函数设置不同的 min_sum_hessian_in_leaf (在回归问题中 - 没有正则化sum_hessian_in_leaf = 叶子中的观测值数量,如我之前所述)。 ´
引用文献:
youtuber joshstarmer 在他的 xgboost/gbms 播放列表中解释了这些细节。统计学习的要素(tibshirani 等人)有一章是关于 GBMS 的,但没有关于 lightGBM 的。但这很有帮助。XGBOOST论文:https://arxiv.org/pdf/1603.02754.pdf(你也可以阅读 lgbm 论文,但这对我更有帮助,因为除了 EFB 和 GOOS 的部分以及其他细节之外,算法非常相似)。
关于machine-learning - lightgbm中min_sum_hessian_in_leaf的含义是什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45248001/
基本上,我的问题是,由于无监督学习是机器学习的一种,是否需要机器“学习”的某些方面并根据其发现进行改进?例如,如果开发了一种算法来获取未标记的图像并找到它们之间的关联,那么它是否需要根据这些关联来改进
生成模型和判别模型似乎可以学习条件 P(x|y) 和联合 P(x,y) 概率分布。但从根本上讲,我无法说服自己“学习概率分布”意味着什么。 最佳答案 这意味着您的模型要么充当训练样本的分布估计器,要么
是否有类似于 的 scikit-learn 方法/类元成本 在 Weka 或其他实用程序中实现的算法以执行常量敏感分析? 最佳答案 不,没有。部分分类器提供 class_weight和 sample_
是否Scikit-learn支持迁移学习?请检查以下代码。 型号 clf由 fit(X,y) 获取 jar 头型号clf2在clf的基础上学习和转移学习 fit(X2,y2) ? >>> from s
我发现使用相同数据的两种交叉验证技术之间的分类性能存在差异。我想知道是否有人可以阐明这一点。 方法一:cross_validation.train_test_split 方法 2:分层折叠。 具有相同
我正在查看 scikit-learn 文档中的这个示例:http://scikit-learn.org/0.18/auto_examples/model_selection/plot_nested_c
我想训练一个具有很多标称属性的数据集。我从一些帖子中注意到,要转换标称属性必须将它们转换为重复的二进制特征。另外据我所知,这样做在概念上会使数据集稀疏。我也知道 scikit-learn 使用稀疏矩阵
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
我正在尝试在 scikit-learn (sklearn.feature_selection.SelectKBest) 中通过卡方方法进行特征选择。当我尝试将其应用于多标签问题时,我收到此警告: 用户
有几种算法可以构建决策树,例如 CART(分类和回归树)、ID3(迭代二分法 3)等 scikit-learn 默认使用哪种决策树算法? 当我查看一些决策树 python 脚本时,它神奇地生成了带有
有没有办法让 scikit-learn 中的 fit 方法有一个进度条? 是否可以包含自定义的类似 Pyprind 的内容? ? 最佳答案 如果您使用 verbose=1 初始化模型调用前 fit你应
我正在使用基于 rlglue 的 python-rl q 学习框架。 我的理解是,随着情节的发展,算法会收敛到一个最优策略(这是一个映射,说明在什么状态下采取什么行动)。 问题 1:这是否意味着经过若
我正在尝试使用 grisSearchCV 在 scikit-learn 中拟合一些模型,并且我想使用“一个标准错误”规则来选择最佳模型,即从分数在 1 以内的模型子集中选择最简约的模型最好成绩的标准误
我正在尝试离散数据以进行分类。它们的值是字符串,我将它们转换为数字 0,1,2,3。 这就是数据的样子(pandas 数据框)。我已将数据帧拆分为 dataLabel 和 dataFeatures L
每当我开始拥有更多的类(1000 或更多)时,MultinominalNB 就会变得非常慢并且需要 GB 的 RAM。对于所有支持 .partial_fit()(SGDClassifier、Perce
我需要使用感知器算法来研究一些非线性可分数据集的学习率和渐近误差。 为了做到这一点,我需要了解构造函数的一些参数。我花了很多时间在谷歌上搜索它们,但我仍然不太明白它们的作用或如何使用它们。 给我带来更
我知道作为功能 ordinal data could be assigned arbitrary numbers and OneHotEncoding could be done for catego
这是一个示例,其中有逐步的过程使系统学习并对输入数据进行分类。 它对给定的 5 个数据集域进行了正确分类。此外,它还对停用词进行分类。 例如 输入:docs_new = ['上帝就是爱', '什么在哪
我有一个 scikit-learn 模型,它简化了一点,如下所示: clf1 = RandomForestClassifier() clf1.fit(data_training, non_binary
我是一名优秀的程序员,十分优秀!