GBDT+LR的应用
由ypyu创建，最终由ypyu 被浏览 300 用户
导语
10分钟了解GBDT＋LR模型的来龙去脉
Gradient Boosting Decision Tree + Logistic Regression 建模过程中，解释变量质量的好坏 / 特征的好坏决定了模型的效果的上限，数据的噪音过多也会让模型检验的结果严重失真，而GBDT+LR模型可以通过预先的特征处理来解决这一问题。
文章部分来源：企鹅号 - 万象信用
算法背景
2014年Facebook发表了一篇介绍将GBDT+LR模型用于其广告推荐系统的论文，之后，无论是Kaggle竞赛还是淘宝商品推荐，都有借鉴该论文中的GBDT+LR模型组合思想，即通过GBDT来发掘有区分度的特征和组合特征，来代替人工组合特征。
对于支撑互联网半壁江山的广告收入，推荐系统和CTR预估于其技术框架中占据重要地位，而LR模型则是其中最为常用的模型。
LR模型有以下特点：
1. 计算复杂度低；
2. 易于并行化处理；
3. 易于得到离散化目标值0或1，利用 sigmoid 函数将传统线性模型的输出值映射到(0,1)区间；
4. 学习能力限于线性特征，需要提前进行大量的特征工程得到有效的特征及特征组合。
输入LR模型的特征很重要，但是特征组合只能依靠人工经验。故如何自动化进行特征工程，规范化LR模型使用流程是一个值得研究的问题。
GBDT作为一种常用的树模型，可天然地对原始特征进行特征划分、特征组合和特征选择，并得到高阶特征属性和非线性映射。从而可将GBDT模型抽象为一个特征处理器，通过GBDT分析原始特征获取到更利于LR分析的新特征。这也正是GBDT+LR模型的核心思想——利用GBDT构造的新特征来训练LR模型。
我们需要补充两点：
- GBDT作为一个树模型，其对特征的映射是非线性的，通过GBDT进行特征工程的结果将会隐含的包含原始特征的非线性关系特征。
- 那么，如何通过GBDT进行特征选择呢？ 用已有特征训练 GBDT 模型，然后利用 GBDT 模型学习到的树来构造新特征，最后把这些新特征加入原有特征一起训练模型。构造的新特征向量是取值 0/1 的，向量的每个元素对应于 GBDT 模型中树的 叶子结点 。当一个样本点通过某棵树最终落在这棵树的一个叶子结点上，那么在新特征向量中这个叶子结点对应的元素值为 1，而这棵树的其他叶子结点对应的元素值为 0。新特征向量的长度等于 GBDT 模型里所有树包含的叶子结点数之和。
核心思路就是将GBDT的叶子作为新的特征；
算法原理及实现
接下来更为详细地描述GBDT+LR模型的算法组合思想和简单实现流程。
2.1、算法组合——stacking
stacking方法有些类似于农业中的嫁接，
如上图所示，GBDT算法的图示部分形如一棵倒过来的树，其根部即代表训练GBDT算法的原始数据集，经过树算法对原始数据的切分，可得到代表不同新特征的叶子节点。
再将GBDT所得的叶子节点输入LR算法，经过线性分析和sigmoid映射，即可得到模型分类结果。
以上的模型组合方式就是stacking方法，即将学习层模型对原始数据所得的预测结果作为新的特征集，并输入给输出层模型得到分类结果。Facebook论文中的GBDT+LR模型就采用了GBDT算法作为学习层，以LR算法为输出层。
2.2、算法流程& 代码简单实现
在这一部分中，GBDT+LR算法的代码实现语言为python，使用了sklearn包中的GradientBoostingClassifier和LogisticRegression函数作为GBDT模型和LR模型。
将训练集记为 (X,y) ，其中X为原始特征，y为目标变量。
数据预处理
对变量取值中的中英文字符、缺失值和正负无穷值进行处理。
数据集划分
为了降低过拟合的风险，将训练集中的数据划分为两部分，
一部分数据用于训练GBDT模型，另一部分数据通过训练好
的GBDT模型得到新特征以训练LR模型。
fromsklearn.model import train_test_split
X_gbdt,X_lr,y_gbdt,y_lr= train_test_split(X,y,test_size=0.5)
GBDT特征转化
首先，通过sklearn中的GradientBoostingClassifier得到GBDT
模型，然后使用GBDT模型的fit方法训练模型，最后使用
GBDT模型的apply方法得到新特征。
fromsklearn.ensemble import GradientBoostingClassifier
gbdt = GradientBoostingClassifier()
gbdt.fit(X_gbdt,y_gbdt)
leaves = gbdt.apply(X_lr)[:,:,0]
特征独热化
使用sklearn.preprocessing中的OneHotEncoder将GBDT所得
特征独热化。
fromsklearn.preprocessing import OneHotEncoder
featutes_trans =OneHotEncoder.fit_transform(leaves)
LR进行分类
用经过离散化处理的新特征训练LR模型并得到预测结果。
fromsklearn.linear_model import LogisticRegression
lr= LogisticRegression()
lr.fit(features_trans,y_lr)
lr.predict(features_trans)
lr.predict_proba(features_trans)[:,1]
2.3、调参方法简述
构建了模型框架后，模型中的函数参数调整也是必不可少的。对模型参数的适当调整，往往可以有效提升模型的效果。
由于GBDT+LR模型无法整体使用GridSearchCV函数，所以调参时
使用sklearn.cross_validation中的StratifiedKFold方法，将数据集进行k折交叉切分，然后以auc值为模型评估指标，对混合模型进行调参。
调参时的重点为GradientBoostingClassifier函数，可用如下图所示的调参顺序进行调参。
其中，n_estimators和learning_rate应该联合调参。
算法引申
前面的内容描述了Facebook论文中GBDT+LR混合模型的算法原理并附有简单实现代码。然而，模型并不可孤立地比较好坏，模型的应用也要和应用场景及数据质量互相照应。
这一部分将会简单提供一些GBDT+LR混合模型的引申思路，希望对大家实际使用时有所裨益。
用FFM模型替代LR模型：
直接将GBDT所得特征输入FFM模型；
用XGBoost模型替代GBDT模型；
将stacking模型学习层中的GBDT交叉检验；
GBDT和LR模型使用model fusion，而不是stacking