GBDT回归 (GbdtRegressor)

Java 类名：com.alibaba.alink.pipeline.regression.GbdtRegressor

Python 类名：GbdtRegressor

功能介绍

gbdt(Gradient Boosting Decision Trees)回归，是经典的基于boosting的有监督学习模型，可以用来解决回归问题
支持连续特征和离散特征
支持数据采样和特征采样

参数说明

名称	中文名称	描述	类型	是否必须？	取值范围	默认值
labelCol	标签列名	输入表中的标签列名	String	✓
predictionCol	预测结果列名	预测结果列名	String	✓
categoricalCols	离散特征列名	离散特征列名	String[]
criteria	树分裂的策略	树分裂的策略，可以为PAI, XGBOOST	String		“PAI”, “XGBOOST”	“PAI”
featureCols	特征列名数组	特征列名数组，默认全选	String[]			null
featureImportanceType	特征重要性类型	特征重要性类型（默认为GAIN）	String		“WEIGHT”, “GAIN”, “COVER”	“GAIN”
featureSubsamplingRatio	每棵树特征采样的比例	每棵树特征采样的比例，范围为(0, 1]。	Double			1.0
gamma	xgboost中的l2正则项	xgboost中的l2正则项	Double			0.0
lambda	xgboost中的l1正则项	xgboost中的l1正则项	Double			0.0
learningRate	学习率	学习率（默认为0.3）	Double			0.3
maxBins	连续特征进行分箱的最大个数	连续特征进行分箱的最大个数。	Integer			128
maxDepth	树的深度限制	树的深度限制	Integer			6
maxLeaves	叶节点的最多个数	叶节点的最多个数	Integer			2147483647
minInfoGain	分裂的最小增益	分裂的最小增益	Double			0.0
minSampleRatioPerChild	子节点占父节点的最小样本比例	子节点占父节点的最小样本比例	Double			0.0
minSamplesPerLeaf	叶节点的最小样本个数	叶节点的最小样本个数	Integer			100
minSumHessianPerLeaf	叶子节点最小Hessian值	叶子节点最小Hessian值（默认为0）	Double			0.0
modelFilePath	模型的文件路径	模型的文件路径	String			null
newtonStep	是否使用二阶梯度	是否使用二阶梯度	Boolean			true
numTrees	模型中树的棵数	模型中树的棵数	Integer			100
overwriteSink	是否覆写已有数据	是否覆写已有数据	Boolean			false
reservedCols	算法保留列名	算法保留列	String[]			null
subsamplingRatio	每棵树的样本采样比例或采样行数	每棵树的样本采样比例或采样行数，行数上限100w行	Double			1.0
vectorCol	向量列名	向量列对应的列名，默认值是null	String			null
weightCol	权重列名	权重列对应的列名	String		所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT]	null
numThreads	组件多线程线程个数	组件多线程线程个数	Integer			1
modelStreamFilePath	模型流的文件路径	模型流的文件路径	String			null
modelStreamScanInterval	扫描模型路径的时间间隔	描模型路径的时间间隔，单位秒	Integer			10
modelStreamStartTime	模型流的起始时间	模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s)	String			null

参数建议

对于训练效果来说，比较重要的参数是树的棵树+学习率、叶子节点最小样本数、单颗树最大深度、特征采样比例。

单个离散特征的取值种类数不能超过256，否则会出错。

代码示例

df = pd.DataFrame([
    [1.0, "A", 0, 0, 0],
    [2.0, "B", 1, 1, 0],
    [3.0, "C", 2, 2, 1],
    [4.0, "D", 3, 3, 1]
])

batchSource = BatchOperator.fromDataframe(
    df, schemaStr='f0 double, f1 string, f2 int, f3 int, label int')
streamSource = StreamOperator.fromDataframe(
    df, schemaStr='f0 double, f1 string, f2 int, f3 int, label int')

GbdtRegressor()\
    .setLearningRate(1.0)\
    .setNumTrees(3)\
    .setMinSamplesPerLeaf(1)\
    .setPredictionCol('pred')\
    .setLabelCol('label')\
    .setFeatureCols(['f0', 'f1', 'f2', 'f3'])\
    .fit(batchSource)\
    .transform(batchSource)\
    .print()

GbdtRegressor()\
    .setLearningRate(1.0)\
    .setNumTrees(3)\
    .setMinSamplesPerLeaf(1)\
    .setPredictionCol('pred')\
    .setLabelCol('label')\
    .setFeatureCols(['f0', 'f1', 'f2', 'f3'])\
    .fit(batchSource)\
    .transform(streamSource)\
    .print()

StreamOperator.execute()

运行结果

批预测结果

f0	f1	f2	f3	label	pred
0	1.0	A	0	0	0	0.0
1	2.0	B	1	1	0	0.0
2	3.0	C	2	2	1	1.0
3	4.0	D	3	3	1	1.0

流预测结果

f0	f1	f2	f3	label	pred
0	1.0	A	0	0 0	0.0
1	3.0	C	2	2 1	1.0
2	2.0	B	1	1 0	0.0
3	4.0	D	3	3 1	1.0