寫在前面的話

GBDT和LR的融合在廣告點擊率預(yù)估中算是發(fā)展比較早的算法，為什么會在這里寫這么一篇呢？本來想嘗試寫一下阿里的深度興趣網(wǎng)絡(luò)(Deep Interest Network)，發(fā)現(xiàn)阿里之前還有一個算法MLR，然后去查找相關(guān)的資料，里面提及了樹模型也就是GBDT+LR方案的缺點，恰好之前也不太清楚GBDT+LR到底是怎么做的，所以今天我們先來了解一下GBDT和LR的融合方案。

在CTR預(yù)估問題的發(fā)展初期，使用最多的方法就是邏輯回歸(LR)，LR使用了Sigmoid變換將函數(shù)值映射到0~1區(qū)間，映射后的函數(shù)值就是CTR的預(yù)估值。

LR屬于線性模型，容易并行化，可以輕松處理上億條數(shù)據(jù)，但是學(xué)習(xí)能力十分有限，需要大量的特征工程來增加模型的學(xué)習(xí)能力。但大量的特征工程耗時耗力同時并不一定會帶來效果提升。因此，如何自動發(fā)現(xiàn)有效的特征、特征組合，彌補人工經(jīng)驗不足，縮短LR特征實驗周期，是亟需解決的問題。

FM模型通過隱變量的方式，發(fā)現(xiàn)兩兩特征之間的組合關(guān)系，但這種特征組合僅限于兩兩特征之間，后來發(fā)展出來了使用深度神經(jīng)網(wǎng)絡(luò)去挖掘更高層次的特征組合關(guān)系。但其實在使用神經(jīng)網(wǎng)絡(luò)之前，GBDT也是一種經(jīng)常用來發(fā)現(xiàn)特征組合的有效思路。

Facebook 2014年的文章介紹了通過GBDT解決LR的特征組合問題，隨后Kaggle競賽也有實踐此思路，GBDT與LR融合開始引起了業(yè)界關(guān)注。

在介紹這個模型之前，我們先來介紹兩個問題：

1）為什么要使用集成的決策樹模型，而不是單棵的決策樹模型：一棵樹的表達能力很弱，不足以表達多個有區(qū)分性的特征組合，多棵樹的表達能力更強一些?？梢愿玫陌l(fā)現(xiàn)有效的特征和特征組合

2）為什么建樹采用GBDT而非RF：RF也是多棵樹，但從效果上有實踐證明不如GBDT。且GBDT前面的樹，特征分裂主要體現(xiàn)對多數(shù)樣本有區(qū)分度的特征；后面的樹，主要體現(xiàn)的是經(jīng)過前N顆樹，殘差仍然較大的少數(shù)樣本。優(yōu)先選用在整體上有區(qū)分度的特征，再選用針對少數(shù)樣本有區(qū)分度的特征，思路更加合理，這應(yīng)該也是用GBDT的原因。

了解了為什么要用GBDT，我們就來看看到底二者是怎么融合的吧！

GBDT和LR的融合方案，F(xiàn)aceBook的paper中有個例子：

圖中共有兩棵樹，x為一條輸入樣本，遍歷兩棵樹后，x樣本分別落到兩顆樹的葉子節(jié)點上，每個葉子節(jié)點對應(yīng)LR一維特征，那么通過遍歷樹，就得到了該樣本對應(yīng)的所有LR特征。構(gòu)造的新特征向量是取值0/1的。舉例來說：上圖有兩棵樹，左樹有三個葉子節(jié)點，右樹有兩個葉子節(jié)點，最終的特征即為五維的向量。對于輸入x，假設(shè)他落在左樹第一個節(jié)點，編碼[1,0,0]，落在右樹第二個節(jié)點則編碼[0,1]，所以整體的編碼為[1,0,0,0,1]，這類編碼作為特征，輸入到LR中進行分類。

這個方案還是很簡單的吧，在繼續(xù)介紹下去之前，我們先介紹一下代碼實踐部分。

本文介紹的代碼只是一個簡單的Demo，實際中大家需要根據(jù)自己的需要進行參照或者修改。

github地址：https://github.com/princewen/tensorflow_practice/tree/master/recommendation/GBDT%2BLR-Demo

訓(xùn)練GBDT模型本文使用lightgbm包來訓(xùn)練我們的GBDT模型，訓(xùn)練共100棵樹，每棵樹有64個葉子結(jié)點。

df_train=pd.read_csv('data/train.csv')df_test=pd.read_csv('data/test.csv')NUMERIC_COLS=["ps_reg_01","ps_reg_02","ps_reg_03","ps_car_12","ps_car_13","ps_car_14","ps_car_15",]print(df_test.head(10))y_train=df_train['target']#traininglabely_test=df_test['target']#testinglabelX_train=df_train[NUMERIC_COLS]#trainingdatasetX_test=df_test[NUMERIC_COLS]#testingdataset#createdatasetforlightgbmlgb_train=lgb.Dataset(X_train,y_train)lgb_eval=lgb.Dataset(X_test,y_test,reference=lgb_train)params={'task':'train','boosting_type':'gbdt','objective':'binary','metric':{'binary_logloss'},'num_leaves':64,'num_trees':100,'learning_rate':0.01,'feature_fraction':0.9,'bagging_fraction':0.8,'bagging_freq':5,'verbose':0}#numberofleaves,willbeusedinfeaturetransformationnum_leaf=64print('Starttraining...')#traingbm=lgb.train(params,lgb_train,num_boost_round=100,valid_sets=lgb_train)print('Savemodel...')#savemodeltofilegbm.save_model('model.txt')print('Startpredicting...')#predictandgetdataonleaves,trainingdata

特征轉(zhuǎn)換

在訓(xùn)練得到100棵樹之后，我們需要得到的不是GBDT的預(yù)測結(jié)果，而是每一條訓(xùn)練數(shù)據(jù)落在了每棵樹的哪個葉子結(jié)點上，因此需要使用下面的語句：

y_pred=gbm.predict(X_train,pred_leaf=True)

打印上面結(jié)果的輸出，可以看到shape是(8001,100)，即訓(xùn)練數(shù)據(jù)量*樹的棵樹

結(jié)果為：

print(np.array(y_pred).shape)print(y_pred[0])

然后我們需要將每棵樹的特征進行one-hot處理，如前面所說，假設(shè)第一棵樹落在43號葉子結(jié)點上，那我們需要建立一個64維的向量，除43維之外全部都是0。因此用于LR訓(xùn)練的特征維數(shù)共num_trees * num_leaves。

print('Writingtransformedtrainingdata')transformed_training_matrix=np.zeros([len(y_pred),len(y_pred[0])*num_leaf],dtype=np.int64)#N*num_tress*num_leafsforiinrange(0,len(y_pred)):temp=np.arange(len(y_pred[0]))*num_leaf+np.array(y_pred[I])transformed_training_matrix[i][temp]+=1

當(dāng)然，對于測試集也要進行同樣的處理:

y_pred=gbm.predict(X_test,pred_leaf=True)print('Writingtransformedtestingdata')transformed_testing_matrix=np.zeros([len(y_pred),len(y_pred[0])*num_leaf],dtype=np.int64)foriinrange(0,len(y_pred)):temp=np.arange(len(y_pred[0]))*num_leaf+np.array(y_pred[I])transformed_testing_matrix[i][temp]+=1

LR訓(xùn)練然后我們可以用轉(zhuǎn)換后的訓(xùn)練集特征和label訓(xùn)練我們的LR模型，并對測試集進行測試：

lm=LogisticRegression(penalty='l2',C=0.05)#logesticmodelconstructionlm.fit(transformed_training_matrix,y_train)#fittingthedatay_pred_test=lm.predict_proba(transformed_testing_matrix)#Givetheprobabiltyoneachlabel

我們這里得到的不是簡單的類別，而是每個類別的概率。

效果評價在Facebook的paper中，模型使用NE(Normalized Cross-Entropy)，進行評價，計算公式如下:

代碼如下：

NE=(-1)/len(y_pred_test)*sum(((1+y_test)/2*np.log(y_pred_test[:,1])+(1-y_test)/2*np.log(1-y_pred_test[:,1])))print("NormalizedCrossEntropy"+str(NE))

現(xiàn)在的GBDT和LR的融合方案真的適合現(xiàn)在的大多數(shù)業(yè)務(wù)數(shù)據(jù)么？現(xiàn)在的業(yè)務(wù)數(shù)據(jù)是什么？是大量離散特征導(dǎo)致的高維度離散數(shù)據(jù)。而樹模型對這樣的離散特征，是不能很好處理的，要說為什么，因為這容易導(dǎo)致過擬合。下面的一段話來自知乎：

用蓋坤的話說，GBDT只是對歷史的一個記憶罷了，沒有推廣性，或者說泛化能力。

但這并不是說對于大規(guī)模的離散特征，GBDT和LR的方案不再適用，感興趣的話大家可以看一下參考文獻2和3，這里就不再介紹了。

剛才提到了阿里的蓋坤大神，他的團隊在2017年提出了兩個重要的用于CTR預(yù)估的模型，MLR和DIN，之后的系列中，我們會講解這兩種模型的理論和實戰(zhàn)！歡迎大家繼續(xù)關(guān)注！

1、Facebook的paper：http://quinonero.net/Publications/predicting-clicks-facebook.pdf2、http://www.cbdio.com/BigData/2015-08/27/content_3750170.htm3、https://blog.csdn.net/shine19930820/article/details/717136804、https://www.zhihu.com/question/358215665、https://github.com/neal668/LightGBM-GBDT-LR/blob/master/GBFT%2BLR_simple.py