-
Notifications
You must be signed in to change notification settings - Fork 1.1k
/
lecture10-ensembles.tex
1109 lines (1055 loc) · 50.3 KB
/
lecture10-ensembles.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
\documentclass[12pt,fleqn]{article}
\usepackage{vkCourseML}
\hypersetup{unicode=true}
%\usepackage[a4paper]{geometry}
\usepackage[hyphenbreaks]{breakurl}
\interfootnotelinepenalty=10000
\begin{document}
\title{Лекция 10\\Градиентный бустинг}
\author{Е.\,А.\,Соколов\\ФКН ВШЭ}
\maketitle
Ранее мы изучили бэггинг и случайные леса~--- подходы к построению композиций, которые
независимо обучают каждый базовый алгоритм по некоторому подмножеству обучающих данных.
При этом возникает ощущение, что мы используем возможности объединения алгоритмов
не в полную силу, и можно было бы строить их так, чтобы каждая следующая модель
исправляла ошибки предыдущих.
Ниже мы рассмотрим метод, который реализует эту идею~--- градиентный бустинг,
предложенный Фридманом~\cite{friedman01gbm}.
Он работает для любых дифференцируемых функций потерь и является одним из наиболее
мощных и универсальных на сегодняшний день.
\section{Бустинг в задаче регрессии}\label{section:regBoost}
Рассмотрим задачу минимизации квадратичного функционала:
\[
\frac12
\sum_{i = 1}^{\ell}
(a(x_i) - y_i)^2
\to
\min_{a}
\]
Будем искать итоговый алгоритм в виде суммы~\emph{базовых моделей}~(weak learners)~$b_n(x)$:
\[
a_N(x)
=
\sum_{n = 1}^{N}
b_n(x),
\]
где базовые алгоритмы~$b_n$ принадлежат некоторому семейству~$\AA$.
Построим первый базовый алгоритм:
\[
b_1(x)
:=
\argmin_{b \in \AA}
\frac12
\sum_{i = 1}^{\ell}
(b(x_i) - y_i)^2
\]
Решение такой задачи не представляет трудностей для многих семейств алгоритмов.
Теперь мы можем посчитать остатки на каждом объекте~--- расстояния от ответа
нашего алгоритма до истинного ответа:
\[
s_i^{(1)} = y_i - b_1(x_i)
\]
Если прибавить эти остатки к ответам построенного алгоритма, то он не будет допускать
ошибок на обучающей выборке.
Значит, будет разумно построить второй алгоритм так, чтобы его ответы
были как можно ближе к остаткам:
\[
b_2(x)
:=
\argmin_{b \in \AA}
\frac12
\sum_{i = 1}^{\ell}
(b(x_i) - s_i^{(1)})^2
\]
Каждый следующий алгоритм тоже будем настраивать на остатки предыдущих:
\begin{align*}
&s_i^{(N)}
=
y_i - \sum_{n = 1}^{N - 1} b_n(x_i)
=
y_i
-
a_{N - 1}(x_i),
\qquad
i = 1, \dots, \ell;\\
&b_N(x)
:=
\argmin_{b \in \AA}
\frac12
\sum_{i = 1}^{\ell}
(b(x_i) - s_i^{(N)})^2
\end{align*}
Описанный метод прост в реализации,
хорошо работает и может быть найден во многих библиотеках~---
например, в~\texttt{scikit-learn}.
Заметим, что остатки могут быть найдены как антиградиент функции потерь по ответу модели,
посчитанный в точке ответа уже построенной композиции:
\[
s_i^{(N)}
=
y_i
-
a_{N - 1}(x_i)
=
-
\left.
\frac{\partial}{\partial z}
\frac12
(z - y_i)^2
\right|_{z = a_{N - 1}(x_i)}
\]
Получается, что выбирается такой базовый алгоритм, который как можно
сильнее уменьшит ошибку композиции~--- это свойство вытекает из его близости
к антиградиенту функционала на обучающей выборке.
Попробуем разобраться с этим свойством подробнее, а также попытаемся обобщить его
на другие функции потерь.
%Это наблюдение наводит нас на мысль, что аналогичным образом
%можно было бы строить композиции, оптимизирующие и другие функции потерь~---
%достаточно заменить остатки~$z_i^{(N)}$ на градиент нужного функционала.
%Именно так и работает градиентный бустинг, о котором пойдет речь ниже.
%\subsubsection{Градиентный спуск в функциональном пространстве}
\section{Градиентный бустинг}
Пусть дана некоторая дифференцируемая функция потерь~$L(y, z)$.
Будем строить взвешенную сумму базовых алгоритмов:
\[
a_N(x)
=
\sum_{n = 0}^{N}
\gamma_n b_n(x)
\]
Заметим, что в композиции имеется начальный алгоритм~$b_0(x)$.
Как правило, коэффициент~$\gamma_0$ при нем берут равным единице,
а сам алгоритм выбирают очень простым, например:
\begin{itemize}
\item нулевым~$b_0(x) = 0$;
\item возвращающим самый популярный класс~(в задачах классификации):
\[
b_0(x) = \argmax_{y \in \YY} \sum_{i = 1}^{\ell} [y_i = y]
\]
\item возвращающим средний ответ~(в задачах регрессии):
\[
b_0(x) = \frac{1}{\ell} \sum_{i = 1}^{\ell} y_i
\]
\end{itemize}
Допустим, мы построили композицию~$a_{N - 1}(x)$ из $N - 1$ алгоритма,
и хотим выбрать следующий базовый алгоритм~$b_N(x)$ так, чтобы как можно сильнее
уменьшить ошибку:
\[
\sum_{i = 1}^{\ell}
L(y_i, a_{N - 1}(x_i) + \gamma_N b_N(x_i))
\to
\min_{b_N, \gamma_N}
\]
Ответим в первую очередь на следующий вопрос: если бы в качестве алгоритма~$b_N(x)$ мы
могли выбрать совершенно любую функцию, то какие значения ей следовало бы принимать
на объектах обучающей выборки? Иными словами, нам нужно понять, какие числа~$s_1, \dots, s_\ell$
надо выбрать для решения следующей задачи:
\[
\sum_{i = 1}^{\ell}
L(y_i, a_{N - 1}(x_i) + s_i)
\to
\min_{s_1, \dots, s_\ell}
\]
Понятно, что можно требовать~$s_i = y_i - a_{N - 1}(x_i)$,
но такой подход никак не учитывает особенностей функции потерь~$L(y, z)$
и требует лишь точного совпадения предсказаний и истинных ответов.
Более разумно потребовать, чтобы сдвиг~$s_i$ был противоположен производной функции потерь
в точке~$z = a_{N - 1}(x_i)$:
\[
s_i
=
-
\left.
\frac{\partial L}{\partial z}
\right|_{z = a_{N - 1}(x_i)}
\]
В этом случае мы сдвинемся в сторону скорейшего убывания функции потерь.
Заметим, что вектор сдвигов~$s = (s_1, \dots, s_\ell)$ совпадает
с антиградиентом:
\[
\left(
-\left.
\frac{\partial L}{\partial z}
\right|_{z = a_{N - 1}(x_i)}
\right)_{i = 1}^{\ell}
=
-\nabla_z
\sum_{i = 1}^{\ell}
L(y_i, z_i)
\big|_{z_i = a_{N - 1}(x_i)}
\]
При таком выборе сдвигов~$s_i$ мы, по сути, сделаем один шаг градиентного спуска,
двигаясь в сторону наискорейшего убывания ошибки на обучающей выборке.
Отметим, что речь идет о градиентном спуске в $\ell$-мерном пространстве предсказаний алгоритма
на объектах обучающей выборки.
Поскольку вектор сдвига будет свой на каждой итерации, правильнее обозначать его как~$s_i^{(N)}$,
но для простоты будем иногда опускать верхний индекс.
Итак, мы поняли, какие значения новый алгоритм должен принимать на объектах обучающей выборки.
По данным значениям в конечном числе точек необходимо построить функцию, заданную на всем
пространстве объектов.
Это классическая задача обучения с учителем, которую мы уже хорошо умеем решать.
Один из самых простых функционалов~--- среднеквадратичная ошибка.
Воспользуемся им для поиска базового алгоритма, приближающего градиент функции потерь на обучающей выборке:
\[
b_N(x)
=
\argmin_{b \in \AA}
\sum_{i = 1}^{\ell}
\left(
b(x_i) - s_i
\right)^2
\]
Отметим, что здесь мы оптимизируем квадратичную функцию потерь
независимо от функционала исходной задачи~--- вся информация о функции потерь~$L$
находится в антиградиенте~$s_i$,
а на данном шаге лишь решается задача аппроксимации функции по~$\ell$ точкам.
Разумеется, можно использовать и другие функционалы, но среднеквадратичной ошибки,
как правило, оказывается достаточно.
Ещё одна причина для использования среднеквадратичной ошибки состоит в том,
что от алгоритма требуется как можно точнее приблизить направление
наискорейшего убывания функционала~(то есть направление~$(s_i)_i$);
совпадение направлений вполне логично оценивать через косинус угла между ними,
который напрямую связан со среднеквадратичной ошибкой.
После того, как новый базовый алгоритм найден, можно подобрать коэффициент при нем
по аналогии с наискорейшим градиентным спуском:
\[
\gamma_N
=
\argmin_{\gamma \in \RR}
\sum_{i = 1}^{\ell}
L(y_i, a_{N - 1}(x_i) + \gamma b_N(x_i))
\]
Описанный подход с аппроксимацией антиградиента базовыми алгоритмами
и называется градиентным бустингом.
Данный метод представляет собой поиск лучшей функции, восстанавливающей истинную зависимость
ответов от объектов, в пространстве всех возможных функций.
Ищем мы данную функцию с помощью <<псевдоградиентного>> спуска~---
каждый шаг делается вдоль направления, задаваемого некоторым базовым алгоритмом.
При этом сам базовый алгоритм выбирается так, чтобы как можно лучше приближать
антиградиент ошибки на обучающей выборке.
%Предположим сначала, что нам известно распределение на объектах
%и ответах~$p(x, y)$.
%В этом случае мы можем записать функционал среднего риска
%\[
% \Phi(a)
% =
% \int_{\XX}
% \int_{\YY}
% p(x, y)
% L(y, a(x))
% dy dx
% =
% \EE_{x, y}
% L(y, a(x))
% =
% \EE_x \Bigl[
% \EE_y L(y, a(x))
% \cond
% x
% \Bigr].
%\]
%Мы можем воспользоваться непараметрическим подходом и поставить задачу
%выбора наилучшего алгоритма~$a$ среди всех возможных функций от объектов.
%Минимизация функционала среднего риска эквивалентна минимизации условного матожидания
%в каждой точке:
%\[
% \phi(a(x))
% =
% \EE_y [
% L(y, a(x))
% \cond
% x
% ]
% \to
% \min_{a(x)}
%\]
%Строить алгоритм будем с помощью градиентного спуска.
%Выберем первый алгоритм~$b_0$~(начальное приближение), после чего
%мы сможем сделать градиентный шаг:
%\[
% a_1(x)
% =
% b_0(x)
% -
% \gamma_1
% g^{(1)}(x),
%\]
%где
%\[
% g^{(1)}(x)
% =
% \left.
% \frac{
% \partial \phi(a)
% }{
% \partial a
% }
% \right|_{a = b_0(x)}.
%\]
%Аналогично будет делаться и каждый следующий шаг:
%\begin{align*}
% &g^{(N)}(x)
% =
% \left.
% \frac{
% \partial \phi(a)
% }{
% \partial a
% }
% \right|_{a = a_{N - 1}(x)};\\
% &a_N(x)
% =
% a_{N - 1}(x)
% -
% \gamma_N
% g^{(N)}(x).
%\end{align*}
%На каждом шаге коэффициент при градиенте находится из
%задачи одномерной оптимизации
%\[
% \gamma_N
% =
% \argmin_{\gamma}
% \Phi(a_{N - 1}(x) - \gamma g_N(x)),
%\]
%решение которой не должно представлять проблем~\footnote{
% См., например, метод Брента.
%}.
%Также можно показать, что при выполнении определенных условий регулярности
%градиент можно вычислять по формуле:
%\[
% g^{(N)}(x)
% =
% \EE_y \left[
% \frac{
% \partial L(y, a)
% }{
% \partial a
% }
% \cond
% x
% \right]_{a = a_{N - 1}(x)}.
%\]
%После~$N$ шагов градиентного спуска мы получим алгоритм~$a_N(x)$,
%представляющий собой сумму функций:
%\[
% a_N(x)
% =
% \sum_{n = 0}^{N}
% \gamma_n b_n(x),
%\]
%где
%\[
% b_n(x)
% =
% -g^{(N)}(x).
%\]
%Таким образом, с помощью градиентного спуска мы построим композицию алгоритмов.
%Единственная проблема данного подхода состоит в том,
%что в большинстве случаев нам неизвестно распределение~$p(x, y)$,
%а значит, мы не можем записать функционал~$\Phi(a)$
%и проводить его оптимизацию.
%Мы можем работать лишь с эмпирической функцией потерь,
%вычисляющей ошибку на обучающей выборке:
%\[
% Q(a)
% =
% \sum_{i = 1}^{\ell}
% L(y_i, a(x_i)).
%\]
%В этом случае мы можем вычислить значения градиента лишь в точках из
%обучающей выборки:
%\[
% g_{i}^{(N)}
% =
% \left.
% \frac{
% \partial L(y_i, a)
% }{
% \partial a
% }
% \right|_{a = a_{N - 1}(x_i)}.
%\]
%Чтобы сделать градиентный шаг и найти следующий базовый алгоритм,
%необходимо восстановить всю функцию~$g^{(N)}(x)$.
%Будем приближать ее алгоритмами из базового семейства~$\AA$.
%Более конкретно, будем настраивать следующий базовый
%алгоритм~$b_N$, оптимизируя квадратичные отклонения от антиградиентов
%в точках из обучающей выборки:
%\[
% \sum_{i = 1}^{\ell}
% (b(x) - (-g_i^{(N)}))^2
% \to
% \min_{b \in \AA}.
%\]
%Отметим, что здесь мы оптимизируем квадратичную функцию потерь
%независимо от функционала~$L$ исходной задачи~--- вся информация о функции потерь~$L$
%находится в градиенте~$g_i^{(N)}$,
%а на данном шаге лишь решается задача аппроксимации функции по~$\ell$ точкам.
%После того, как базовый алгоритм~$b_N$ найден,
%остается лишь найти коэффициент при нем:
%\[
% \gamma_N
% =
% \argmin_{\gamma}
% \sum_{i = 1}^{\ell}
% L(y_i, a_{N - 1}(x_i) + \gamma b_N(x_i)).
%\]
\section{Регуляризация}
\paragraph{Сокращение шага.}
На практике оказывается, что градиентный бустинг очень быстро
строит композицию, ошибка которой на обучении выходит на асимптоту,
после чего начинает настраиваться на шум и переобучаться.
Это явление можно объяснить одной из двух причин:
\begin{itemize}
\item Если базовые алгоритмы очень простые~(например, решающие деревья небольшой глубины),
то они плохо приближают вектор антиградиента.
По сути, добавление такого базового алгоритма будет соответствовать шагу вдоль направления,
сильно отличающегося от направления наискорейшего убывания.
Соответственно, градиентный бустинг может свестись к случайному блужданию в пространстве.
\item Если базовые алгоритмы сложные~(например, глубокие решающие деревья),
то они способны за несколько шагов бустинга идеально подогнаться под обучающую выборку~---
что, очевидно, будет являться переобучением, связанным с излишней сложностью семейства алгоритмов.
\end{itemize}
Хорошо зарекомендовавшим себя способом решения данной проблемы
является~\emph{сокращение шага}: вместо перехода в оптимальную
точку в направлении антиградиента делается укороченный шаг
\[
a_N(x)
=
a_{N - 1}(x)
+
\eta
\gamma_N
b_N(x),
\]
где~$\eta \in (0, 1]$~--- темп обучения~\cite{friedman01gbm}.
Как правило, чем меньше темп обучения,
тем лучше качество итоговой композиции.
Сокращение шага, по сути, позволяет понизить доверие к направлению, восстановленному базовым алгоритмом.
Также следует обратить внимание на число итераций градиентного бустинга.
Хотя ошибка на обучении монотонно стремится к нулю, ошибка на контроле,
как правило, начинает увеличиваться после определенной итерации.
Оптимальное число итераций можно выбирать, например, по отложенной выборке
или с помощью кросс-валидации.
\paragraph{Стохастический градиентный бустинг.}
Еще одним способом улучшения качества градиентного бустинга
является внесение рандомизации в процесс обучения базовых
алгоритмов~\cite{friedman99stochastic}.
А именно, алгоритм~$b_N$ обучается не по всей выборке~$X$,
а лишь по ее случайному подмножеству~$X^{k} \subset X$.
В этом случае понижается уровень шума в обучении,
а также повышается эффективность вычислений.
Существует рекомендация брать подвыборки, размер которых вдвое меньше
исходной выборки.
\section{Функции потерь}
\subsection{Регрессия}
При вещественном целевом векторе, как правило, используют квадратичную функцию потерь,
формулы для которой уже были приведены в разделе~\ref{section:regBoost}.
Другой вариант~--- модуль отклонения~$L(y, z) = |y - z|$,
для которого антиградиент вычисляется по формуле
\[
s_i^{(N)}
=
-
\sign
(a_{N - 1}(x_i) - y_i).
\]
\subsection{Классификация}
%В задаче классификации с двумя классами~$\YY = \{+1, -1\}$
%разумным выбором является настройка функции~$p_+(x) \in [0, 1]$,
%возвращающей вероятность класса~$+1$.
%В этом случае мы можем измерить правдоподобие обучающей выборки при условии
%модели~$p_+(x)$:
%\[
% P(p_+)
% =
% \prod_{i = 1}^{\ell}
% p_+(x_i)^{[y_i = 1]}
% (1 - p_+(x_i))^{[y_i = -1]}.
%\]
%Данное правдоподобие следует максимизировать.
%Гораздо удобнее минимизировать отрицательный логарифм правдоподобия:
%\begin{equation}
%\label{eq:nll}
% -\sum_{i = 1}^{\ell} \left(
% [y_i = 1] \log p_+(x_i)
% +
% [y_i = -1] \log(1 - p_+(x_i))
% \right)
% \to \min_{p_+(x)}.
%\end{equation}
%Такая задача крайне неудобна~--- нам нужно искать алгоритм~$p_+(x)$
%с ограничением, что его ответ лежит на отрезке~$[0, 1]$.
%Будем вместо этого искать алгоритм~$a(x) \in \RR$, возвращающий
%любые вещественные числа, который связан
%с вероятностью~${p_+(x)}$ через сигмоидную функцию:
%\[
% p_+(x)
% =
% \frac{
% 1
% }{
% 1 + \exp(-a(x))
% }
%\]
%Соответственно, вероятность отрицательного класса задается формулой
%\[
% p_-(x)
% =
% 1 - p_+(x)
% =
% \frac{
% 1
% }{
% 1 + \exp(a(x))
% }
%\]
%Подставляя эти выражения в логарифм правдоподобия~\eqref{eq:nll}, получаем:
%\begin{align*}
% -\sum_{i = 1}^{\ell} &\left(
% -[y_i = 1]
% \log(1 + \exp(-a(x_i)))
% -
% [y_i = -1]
% \log(1 + \exp(a(x_i)))
% \right)
% =\\
% &=
% \sum_{i = 1}^{\ell}
% \log(1 + \exp(-y_i a(x_i))).
%\end{align*}
В задаче классификации с двумя классами
разумным выбором является логистическая функция потерь,
с которой уже сталкивались при изучении линейных методов:
\[
L(y, z)
=
\log(
1 + \exp(-yz)
).
\]
Задача поиска базового алгоритма с ней принимает вид
\[
b_N
=
\argmin_{b \in \AA}
\sum_{i = 1}^{\ell} \left(
b(x_i)
-
\frac{
y_i
}{
1 + \exp(
y_i a_{N - 1}(x_i)
)
}
\right)^2.
\]
%Легко показать, что алгоритм возвращает логарифм отношения оценок вероятностей классов:
%\[
% a(x)
% =
% \frac{1}{2}
% \log
% \frac{p_+(x)}{1 - p_+(x)}.
%\]
%Оценки вероятностей классов вычисляются по формулам
%\begin{align*}
% &\hat P(y = 1 \cond x)
% =
% \frac{
% 1
% }{
% 1 + \exp(-a(x))
% };\\
% &\hat P(y = -1 \cond x)
% =
% \frac{
% 1
% }{
% 1 + \exp(a(x))
% }.
%\end{align*}
%\begin{vkProblem}
% Как будет выглядеть задача поиска базового алгоритма~$b_N(x)$
% в случае с логистической функцией потерь?
%\end{vkProblem}
%\begin{esSolution}
% Найдем компоненты антиградиента~$s_i$:
% \begin{equation}
% \label{eq:logisticGrad}
% s_i^{(N)}
% =
% -
% \left.
% \frac{\partial L(y_i, z)}{\partial z}
% \right|_{z = a_{N - 1}(x_i)}
% =
% \frac{
% y_i
% }{
% 1 + \exp(
% y_i a_{N - 1}(x_i)
% )
% }.
% \end{equation}
% Значит, задача поиска базового алгоритма примет вид
% \[
% b_N
% =
% \argmin_{b \in \AA}
% \sum_{i = 1}^{\ell} \left(
% b(x_i)
% -
% \frac{
% y_i
% }{
% 1 + \exp(
% y_i a_{N - 1}(x_i)
% )
% }
% \right)^2.
% \]
%\end{esSolution}
Логистическая функция потерь имеет интересную особенность,
связанную со взвешиванием объектов.
Заметим, что ошибка на~$N$-й итерации может быть записана как
\begin{align*}
Q(a_N)
&=
\sum_{i = 1}^{\ell}
\log \left(
1 + \exp(
-y_i a_N(x_i)
)
\right)
=\\
&=
\sum_{i = 1}^{\ell}
\log \left(
1
+
\exp(
-y_i a_{N - 1}(x_i)
)
\exp(
-y_i \gamma_N b_N(x_i)
)
\right).
\end{align*}
Если отступ~$y_i a_{N - 1}(x_i)$ на~$i$-м объекте большой положительный,
то данный объект не будет вносить практически никакого вклада в ошибку,
и может быть исключен из всех вычислений на текущей итерации
без потерь.
Таким образом, величина
\[
w_i^{(N)}
=
\exp(
-y_i a_{N - 1}(x_i)
)
\]
может служить мерой важности объекта~$x_i$ на~$N$-й итерации градиентного бустинга.
\section{Градиентный бустинг над деревьями}
Считается, что градиентный бустинг над решающими деревьями~---
один из самых универсальных и сильных методов машинного обучения,
известных на сегодняшний день.
В частности, на градиентном бустинге над деревьями основан~MatrixNet~---
алгоритм ранжирования компании Яндекс~\cite{yandex_slides}.
Вспомним, что решающее дерево разбивает все пространство на непересекающиеся области,
в каждой из которых его ответ равен константе:
\[
b_n(x)
=
\sum_{j = 1}^{J_n}
b_{nj}
[x \in R_j],
\]
где~$j = 1, \dots, J_n$~--- индексы листьев,
$R_j$~--- соответствующие области разбиения,
$b_{nj}$~--- значения в листьях.
Значит, на~$N$-й итерации бустинга композиция обновляется как
\[
a_N(x)
=
a_{N - 1}(x)
+
\gamma_N
\sum_{j = 1}^{J_N}
b_{Nj}
[x \in R_j]
=
a_{N - 1}(x)
+
\sum_{j = 1}^{J_N}
\gamma_N
b_{Nj}
[x \in R_j].
\]
Видно, что добавление в композицию одного дерева с~$J_N$ листьями равносильно
добавлению~$J_N$ базовых алгоритмов, представляющих собой предикаты вида~$[x \in R_j]$.
Если бы вместо общего коэффициента~$\gamma_N$ был свой коэффициент~$\gamma_{Nj}$
при каждом предикате, то мы могли бы его подобрать так, чтобы повысить качество композиции.
Если подбирать свой коэффициент~$\gamma_{Nj}$ при каждом слагаемом, то потребность в~$b_{Nj}$ отпадает,
его можно просто убрать:
\[
\sum_{i = 1}^{\ell}
L\left(
y_i,
a_{N - 1}(x_i)
+
\sum_{j = 1}^{J_N}
\gamma_{Nj}
[x \in R_j]
\right)
\to
\min_{\{\gamma_{Nj}\}_{j = 1}^{J_N}}.
\]
Поскольку области разбиения~$R_j$ не пересекаются,
данная задача распадается на~$J_N$ независимых подзадач:
\[
\gamma_{Nj}
=
\argmin_\gamma
\sum_{x_i \in R_j}
L(y_i, a_{N - 1}(x_i) + \gamma),
\qquad
j = 1, \dots, J_N.
\]
В некоторых случаях оптимальные коэффициенты могут быть найдены аналитически~---
например, для квадратичной и абсолютной ошибки.
%\begin{vkProblem}
% Найдите оптимальные коэффициенты~$\{\gamma_{Nj}\}_{j = 1}^{J}$
% для функционалов квадратичной и абсолютной ошибки.
%\end{vkProblem}
%\begin{esSolution}
% Требуется решить задачи
% \[
% \sum_{x_i \in R_j}
% (a_{N - 1}(x_i) + \gamma - y_i)^2
% \to \min_\gamma
% \]
% и
% \[
% \sum_{x_i \in R_j}
% |a_{N - 1}(x_i) + \gamma - y_i|
% \to \min_\gamma.
% \]
% Известно, что решениями данных задач являются среднее и медиана остатков:
% \begin{align*}
% &\gamma_1
% =
% \frac{1}{|R_j|}
% \sum_{x_i \in R_j}
% (y_i - a_{N - 1}(x_i));\\
% &\gamma_2
% =
% \median_{x_i \in R_j} \left\{
% y_i - a_{N - 1}(x_i)
% \right\}.
% \end{align*}
% Видно, что в случае с квадратичным функционалом дополнительную настройку коэффициентов можно не делать~---
% деревья и так настраиваются на квадратичный функционал, и в листьях будет записано среднее значение
% ответа по попавшим в них объектам.
% В случае с абсолютной функцией потерь настройка коэффициентов уже несет в себе пользу.
% Сами деревья настраиваются так, чтобы квадратичное отклонение
% от знака ошибки было минимально~(т.е. минимизируется~$(b(x) - \sign(y_i - a_{N - 1}(x_i)))^2$),
% но затем мы изменяем значения в листьях так, чтобы они были оптимальны с точки зрения
% модуля отклонения.
% Безусловно, дерево можно сразу настраивать на модули отклонений,
% но такая процедура работает гораздо медленнее, чем настройка на квадратичные потери.
%\end{esSolution}
Рассмотрим теперь логистическую функцию потерь.
В этом случае нужно решить задачу
\[
F_j^{(N)}(\gamma)
=
\sum_{x_i \in R_j}
\log\left(
1 + \exp\left(
-y_i (a_{N - 1}(x_i) + \gamma)
\right)
\right)
\to
\min_{\gamma}.
\]
Данная задача может быть решена лишь с помощью итерационных методов,
аналитической записи для оптимального~$\gamma$ не существует.
Однако на практике обычно нет необходимости искать точное решение~---
оказывается достаточным сделать лишь один шаг метода Ньютона-Рафсона
из начального приближения~$\gamma_{Nj} = 0$.
Можно показать, что в этом случае
\[
\gamma_{Nj}
=
\frac{\partial F_j^{(N)}(0)}{\partial \gamma}
\Biggl/
\frac{\partial^2 F_j^{(N)}(0)}{\partial \gamma^2}
=
-
\sum_{x_i \in R_j}
s_i^{(N)}
\Biggl/
\sum_{x_i \in R_j}
|s_i^{(N)}| (1 - |s_i^{(N)}|).
\]
\paragraph{Смещение и разброс.}
В случайных лесах используются глубокие деревья, поскольку от базовых алгоритмов
требуется низкое смещение; разброс же устраняется за счёт усреднения ответов различных деревьев.
Бустинг работает несколько иначе~--- в нём каждый следующий алгоритм целенаправленно
понижает ошибку композиции, и даже при использовании простейших базовых моделей композиция может
оказаться достаточно сложной.
Более того, итоговая композиция вполне может оказаться переобученной при большом количестве
базовых моделей.
Это означает, что благодаря бустингу можно понизить смещение моделей, а разброс либо
останется таким же, либо увеличится.
Из-за этого, как правило, в бустинге используются неглубокие решающие деревья (3-6 уровней),
которые обладают большим смещением, но не склонны к переобучению.
\section{Взвешивание объектов}
Одним из первых широко распространённых методов построения композиций
является AdaBoost, в котором оптимизируется экспоненциальная функция потерь~$L(y, z) = e^{-yz}$.
Благодаря её свойствам удаётся свести задачу поиска базового алгоритма
к минимизации доли неверных ответов с весами при объектах.
Эти веса возникают и в градиентном бустинге при использовании экспоненциальной функции потерь:
\[
L(a, X)
=
\sum_{i = 1}^{\ell}
\exp\left(
-y_i
\sum_{n = 1}^{N}
\gamma_n
b_n(x_i)
\right).
\]
Найдем компоненты ее антиградиента после~$(N - 1)$-й итерации:
\[
s_i
=
-
\left.
\frac{\partial L(y_i, z)}{\partial z}
\right|_{z = a_{N - 1}(x_i)}
=
y_i
\underbrace{
\exp\left(
-y_i
\sum_{n = 1}^{N - 1}
\gamma_n b_n(x_i)
\right)
}_{w_i}.
\]
Заметим, что антиградиент представляет собой
ответ на объекте, умноженный на его вес.
Если все веса будут равны единице, то следующий
базовый классификатор будет просто настраиваться на
исходный целевой вектор~$(y_i)_{i = 1}^{\ell}$;
штраф за выдачу ответа, противоположного правильному,
будет равен~$4$~(поскольку при настройке базового
алгоритма используется квадратичная функция потерь).
Если же какой-либо объект будет иметь большой отступ,
то его вес окажется близким к нулю,
и штраф за выдачу любого ответа будет равен~$1$.
Отметим, что многие функционалы ошибки классификации
выражаются через отступы объектов:
\[
L(a_{N - 1}, X^\ell)
=
\sum_{i = 1}^{\ell}
L(a_{N - 1}(x_i), y_i)
=
\sum_{i = 1}^{\ell}
\tilde
L(y_i a_{N - 1}(x_i)).
\]
В этом случае антиградиент принимает вид
\[
s_i
=
y_i
\underbrace{\left(
-\frac{
\partial \tilde L(y_i a_{N - 1}(x_i))
}{
\partial a_{N - 1}(x_i)
}
\right)}_{w_i},
\]
то есть тоже взвешивает ответы с помощью ошибки на них.
\section{Влияние шума на обучение}
Выше мы находили формулу для антиградиента при использовании
экспоненциальной функции потерь:
\[
s_i
=
y_i
\underbrace{
\exp\left(
-y_i
\sum_{n = 1}^{N - 1}
\gamma_n b_n(x_i)
\right)
}_{w_i}.
\]
Заметим, что если отступ на объекте большой и отрицательный~(что обычно
наблюдается на шумовых объектах),
то вес становится очень большим,
причем он никак не ограничен сверху.
В результате базовый классификатор будет настраиваться
исключительно на шумовые объекты,
что может привести к неустойчивости его ответов и переобучению.
Рассмотрим теперь логистическую функцию потерь, которая
также может использоваться в задачах классификации:
\[
L(a, X^\ell)
=
\sum_{i = 1}^{\ell}
\log \left(
1
+
\exp\left(
-y_i a(x_i)
\right)
\right).
\]
Найдем ее антиградиент после~$(N - 1)$-го шага:
\[
s_i
=
y_i
\underbrace{
\frac{
1
}{
1
+
\exp(
y_i a_{N - 1}(x_i)
)
}
}_{=w_i^{(N)}}.
\]
Теперь веса ограничены сверху единицей.
Если отступ на объекте большой отрицательный~(то есть это выброс),
то вес при нем будет близок к единице;
если же отступ на объекте близок к нулю~(то есть
это объект, на котором классификация неуверенная,
и нужно ее усиливать), то вес при нем будет примерно равен~$1/2$.
Таким образом, вес при шумовом объекте будет всего в два раза больше,
чем вес при нормальных объектах, что не должно
сильно повлиять на процесс обучения.
\section{Методы оптимизации второго порядка}
\emph{(дополнительный материал)}
Как мы выяснили выше, градиентный бустинг осуществляет градиентный спуск в пространстве
прогнозов алгоритма на обучающей выборке.
Здесь может возникнуть вполне логичный вопрос: а почему бы не воспользоваться другим,
более эффективным методом оптимизации?
Наиболее явными кандидатами являются методы оптимизации второго порядка~--- например, метод Ньютона.
При оптимизации числовой функции~$Q(w)$ шаг в методе Ньютона осуществляется по формуле
\[
w^{(n)}
=