GBDT+LR探秘：构建高效二分类模型的初体验

在当今的机器学习领域，模型的选择和优化是提高预测准确性的关键。GBDT（Gradient Boosting Decision Tree，梯度提升决策树）和LR（Logistic Regression，逻辑回归）是两种广泛应用于二分类问题的算法。GBDT通过多棵决策树的集成，能够自动进行特征组合，有效地处理非线性问题，而LR则适用于处理线性问题，并且可以给出概率输出，方便后续的风险评估和推荐概率等。

然而，在实际应用中，单独使用GBDT或LR可能会遇到一些问题。GBDT可能因为树的数量过多或者树的深度过深而导致过拟合，而LR则无法很好地处理非线性问题。因此，将GBDT和LR结合成为一种有效的方法，既可以利用GBDT的特征组合能力，又可以借助LR的概率输出和解释性，提高模型的稳定性和准确性。

在本文中，将详细介绍如何采用GBDT和LR结合的方式来构建二分类模型，包括实施步骤、注意事项以及代码实现。并结合实际数据集进行实验，评估模型的性能。通过这种方式，可以更好地理解GBDT和LR结合的优势（不一定有提升，需结合具体业务及数据），并在实际应用中发挥其强大的预测能力。

实施步骤

具体实施步骤如下：

1. 数据预处理：
   • 数据清洗：处理缺失值、异常值等。这是非常重要的一步，因为脏数据会严重影响模型的性能，甚至导致模型无法训练。
   • 特征工程：包括特征提取、特征转换、特征选择等。通过特征工程，我们可以挖掘出更多有用的信息，提高模型的表达能力。
   • 数据切分：将数据集切分为训练集、验证集和测试集。合理的切分可以更好地评估模型的泛化能力，避免过拟合。
2. 使用GBDT进行特征转换：
   • 利用训练集训练GBDT模型。GBDT作为一种强大的非线性模型，可以自动进行特征组合，捕捉数据中的复杂关系。
   • **将训练集中的数据输入到训练好的GBDT模型中，得到每一条数据在每棵树中的叶子节点的索引，这些索引可以作为一种新的特征，通常称为“叶子索引特征”。**这种特征可以看作是GBDT对原始特征的一种高层次抽象，有助于提高模型的非线性建模能力。
   • 对验证集和测试集进行同样的处理，以获得它们的叶子索引特征。
3. 训练LR模型：
   • 使用训练集（包括原始特征和GBDT产生的叶子索引特征）来训练LR模型。LR模型作为一种线性模型，具有较好的解释性，同时可以利用GBDT学习到的特征组合信息。
   • 在验证集上调整LR模型的参数，如正则化强度，优化方法等。合理的参数调整可以找到更优的模型，提高预测准确性，调参有专家经验或者自动化调参等方法。
4. 模型评估：
   • 使用测试集评估模型的性能，常用的评估指标包括准确率、召回率、F1分数、ROC曲线、AUC值等。
5. 模型部署：
   • 将模型部署到生产环境中，对实时数据进行模型预测。

在实施过程中，需要注意以下几点：

• 过拟合问题：GBDT模型可能因为树的数量过多或者树的深度过深而导致过拟合。可以通过限制树的深度、叶子节点的最大数量、学习率等来避免过拟合。
• 特征重要性：GBDT可以输出特征的重要性，这有助于理解哪些特征对于预测最为关键，也可以用来指导后续的特征选择工作。
• 模型融合：GBDT+LR的结合可以看作是一种模型融合（Model Stacking）的方法，可以提高模型的稳定性和准确性。

最后，在模型训练和评估过程中，不仅仅关注模型的预测准确性，还应该关注模型的解释性和稳定性，确保模型能够在实际应用中有效地识别用户行为，同时控制误报率。

代码实现

先确保自己Python环境安装了相应的依赖包，如果没有安装的话，比如：

pip install lightgbm

以breast_cancer乳腺癌数据集为例，这是一个经典且非常简单的二元分类数据集。

特征有三十维度，分两类

import numpy as np
import lightgbm as lgb
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder

# 加载乳腺癌数据集
from sklearn.datasets import load_breast_cancer
data = load_breast_cancer()
X = data.data
y = data.target

# 划分训练集和测试集, 80%的数据用于训练，20%的数据用于测试
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练GBDT模型, 使用lightgbm库的LGBMClassifier
gbm = lgb.LGBMClassifier(
    objective='binary',  # 二分类问题
    num_leaves=31,  # 每棵树的最大叶子节点数
    learning_rate=0.05,  # 学习率
    n_estimators=20)  # 树的数量

gbm.fit(X_train, y_train)
y_pred = gbm.predict(X_test)
print("GBDT Accuracy: {:.4f}".format(accuracy_score(y_test, y_pred)))


# # 使用GBDT模型获取训练集和测试集中每条数据在每棵树中的叶子节点索引
train_leaf_indices = gbm.predict(X_train, pred_leaf=True)
test_leaf_indices = gbm.predict(X_test, pred_leaf=True)

# 对叶子节点索引进行One-hot编码，转换为可以用于LR模型输入的特征
ohe = OneHotEncoder(categories='auto')
train_enc = ohe.fit_transform(train_leaf_indices)
test_enc = ohe.transform(test_leaf_indices)

# 训练LR模型, 使用sklearn的LogisticRegression
lr = LogisticRegression(max_iter=10000, penalty='l2', solver='liblinear')
lr.fit(train_enc, y_train)

# 在测试集上进行预测
y_pred = lr.predict(test_enc)
print("GBDT+LR Accuracy: {:.4f}".format(accuracy_score(y_test, y_pred)))

结果：

GBDT Accuracy: 0.9649
GBDT+LR Accuracy: 0.9386

从结果来看，单独使用GBDT模型的准确率为96.49%，而GBDT+LR结合模型的准确率为93.86%。这表明在这个特定的数据集上，GBDT单独的性能略优于GBDT+LR。这可能有几个原因：

• 数据集特性：乳腺癌数据集是一个相对简单且线性可分的数据集。GBDT本身已经足够强大，能够捕捉数据中的复杂关系，因此可能不需要额外的LR层来提高性能。

• 过拟合风险：在添加LR层时，可能会引入额外的过拟合风险。特别是在训练数据集较小或者特征维度不高的情况下，GBDT+LR可能会过拟合，导致性能下降。

• 特征组合：GBDT已经通过树结构自动进行了特征组合，而LR作为一个线性模型，可能无法进一步提升由GBDT生成的特征的性能。

尽管在本文例子中GBDT单独表现更好，但在其他情况下，GBDT+LR可能会更有优势：

• 非线性关系：当数据中存在复杂的非线性关系时，GBDT可以通过特征组合来捕捉这些关系，而LR可以进一步细化预测，提高模型的鲁棒性。
• 特征理解：LR可以提供特征的重要性排序，帮助理解模型决策的过程，这在某些需要模型解释性的场景中非常重要。
• 概率输出：LR能够提供概率输出，这对于需要风险评分或概率推荐的场景（如信贷审批、疾病诊断）非常有用。

总的来说，GBDT+LR的结合是否能够提升性能，很大程度上取决于具体问题的性质和数据的特性。在实际应用中，应该根据具体情况选择合适的模型，并进行充分的实验来验证不同模型组合的效果。

参考

• https://lightgbm.readthedocs.io/en/latest/pythonapi/lightgbm.LGBMClassifier.html
• https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html

感谢阅读！如果对GBDT+LR模型有任何疑问，或者在实际应用中有类似的体验和见解，欢迎在下方评论区留言分享。更多内容欢迎关注公众号：AI科技时讯