相关性分析模型可行性报告

基于数值的模型-xgboost

简介

XGBoost是一个优化的分布式梯度提升库，旨在高效，灵活和便携。它在梯度提升框架下实现机器学习算法。XGBoost提供了一个并行树提升（也称为GBDT，GBM），可以快速准确地解决许多数据科学问题。

XGBoost 文档 — xgboost 1.6.1 文档

GBDT梯度提升树

GBDT算法是一种非常常用的Boosting算法(一种集成学习模型，将弱学习器不断调整权重，提升为强学习器)，GBDT算法将损失函数的负梯度作为残差的近似值，不断使用残差迭代和拟合回归树，最终生成强学习器。

核心思想

XGBoost算法在某种程度上可以说是GBDT算法的改良版，两者在本质上都是利用了Boosting算法中拟合残差的思想。如下图所示，首先建立一棵初始决策树，其中初始决策树的预测结果不完全准确，会产生一些残差，因此会用新的决策树来拟合该残差，新的决策树又会产生新的残差，这是再构建新的决策树来拟合新的残差······如此迭代下去，直至符合预先设定的条件为止。

 

主要优缺点

优点：简单易用、在处理大规模数据集时速度快效果好，对内存等硬件资源要求不高，鲁棒性强、可以自动填充缺失值

缺点：只能处理连续性数数值

处理为数值型

将离散型特征编码为1，2，3···

编码方式解释如下：

例如：特征CPU的取值为i3,i5,i7,i9···

基于标签的模型-lightgbm

简介

lightgbm算法由微软公司开发，它和xgboost算法一样是对GBDT算法的高效实现，原理上与xgboost算法类似，但树的生长过程不一样，xgboost的生长是level-wise的,即一层一层生长的,而lightgbm是leaf-wise即梯度优先的，同时lightgbm使用直方图算法，先对特征值进行装箱处理，形成一个一个的bins。对于连续特征来说，装箱处理就是特征工程中的离散化：如[0,0.3)—>0，[0.3,0.7)—->1等。在Lightgbm中默认的#bins为256（1个字节的能表示的长度，可以设置）。对于分类特征来说，则是每一种取值放入一个bin，且当取值的个数大于max bin数时，会忽略那些很少出现的category值。

主要优缺点

优点：训练效率更高，低内存使用，准确率更高，支持并行化学习，可以处理大规模数据，适合离散类数据

缺点：会对连续值特征进行装箱处理，造成精度丢失。