利用GBDT模型构造新特征

以你之姓@ 2022-09-29 05:20 210阅读 0赞

转： [ http://breezedeus.github.io/2014/11/19/breezedeus-feature-mining-gbdt.html][http_breezedeus.github.io_2014_11_19_breezedeus-feature-mining-gbdt.html]

Nov 19, 2014

实际问题中，可直接用于机器学习模型的特征往往并不多。能否从“混乱”的原始log中挖掘到有用的特征，将会决定机器学习模型效果的好坏。引用下面一句流行的话：

> 特征决定了所有算法效果的上限，而不同的算法只是离这个上限的距离不同而已。

本文中我将介绍[Facebook][]最近发表的利用GBDT模型构造新特征的方法[1][]。

论文的思想很简单，就是先用已有特征训练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。

举例说明。下面的图中的两棵树是GBDT学习到的，第一棵树有3个叶子结点，而第二棵树有2个叶子节点。对于一个输入样本点x，如果它在第一棵树最后落在其中的第二个叶子结点，而在第二棵树里最后落在其中的第一个叶子结点。那么通过GBDT获得的新特征向量为\[0, 1, 0, 1, 0\]，其中向量中的前三位对应第一棵树的3个叶子结点，后两位对应第二棵树的2个叶子结点。

![Facebook GBDT][]

那么，GBDT中需要多少棵树能达到效果最好呢？具体数字显然是依赖于你的应用以及你拥有的数据量。一般数据量较少时，树太多会导致过拟合。在作者的应用中，大概500棵左右效果就基本不改进了。另外，作者在建GBDT时也会对每棵树的叶子结点数做约束——不多于12个叶子结点。

下面是这种方法在我们世纪佳缘的一个概率预测问题上的实际效果。我们只使用了30棵树。第一个图是只使用原始特征的结果，第二个图是原始特征加GBDT新特征的结果。图中横坐标表示预测概率值，纵坐标表示真实概率值。所以预测的点越靠近y=x<?XML:NAMESPACE PREFIX = "\[default\] http://www.w3.org/1998/Math/MathML" NS = "http://www.w3.org/1998/Math/MathML" />y=x这条参考线越好。显然，使用了GBDT构造的新特征后，模型的预测效果好不少。

![仅使用原始特征][jiayuan_no_gbdt1.png]

![原始特征加GBDT新特征][GBDT]

对了，已经有人利用这种方法赢得了Kaggle一个CTR预估比赛的冠军，代码可见[https://github.com/guestwalk/kaggle-2014-criteo][https_github.com_guestwalk_kaggle-2014-criteo]，里面有这种方法的具体实现。

### References ###

1.  Xinran He et al. Practical Lessons from Predicting Clicks on Ads at Facebook, 2014.[↩][Link 1]

[http_breezedeus.github.io_2014_11_19_breezedeus-feature-mining-gbdt.html]: http://breezedeus.github.io/2014/11/19/breezedeus-feature-mining-gbdt.html
[Facebook]: http://www.facebook.com/
[1]: http://breezedeus.github.io/2014/11/19/breezedeus-feature-mining-gbdt.html#fn:fbgbdt
[Facebook GBDT]: /images/20220708/fe17c676363641fbbcde38046e2274bc.png
[jiayuan_no_gbdt1.png]: /images/20220708/a174d8afd77a42c2a965665f5f4eb8d3.png
[GBDT]: /images/20220708/aa623cdd63e1411c8fcb85f986420d52.png
[https_github.com_guestwalk_kaggle-2014-criteo]: https://github.com/guestwalk/kaggle-2014-criteo
[Link 1]: http://breezedeus.github.io/2014/11/19/breezedeus-feature-mining-gbdt.html#fnref:fbgbdt