Не так давно получил распространение термин «большие данные», обозначивший новую прикладную область — поиск способов автоматического быстрого анализа огромных объёмов разнородной информации. Наука о больших данных ещё только оформляется, но уже сейчас она очень востребована — и в будущем будет востребована только больше. С её помощью можно решать невероятные задачи: оценивать состояние печени по кардиограмме, предсказывать зарплату по описанию вакансии, предлагать пользователю музыку на основании его анкеты в интернете. Большими данными может оказаться что угодно: результаты научных экспериментов, логи банковских транзакций, метеорологические наблюдения, профили в социальных сетях — словом, всё, что может быть полезно проанализировать. Самым перспективным подходом к анализу больших данных считается применение машинного обучения — набора методов, благодаря которым компьютер может находить в массивах изначально неизвестные взаимосвязи и закономерности. На факультете компьютерных наук ВШЭ и в Школе анализа данных есть люди, активно использующие машинное обучение и разрабатывающие новые подходы к нему. Именно они — преподаватели этого курса. Вы изучите основные типы задач, решаемых с помощью машинного обучения — в основном речь пойдёт о классификации, регрессии и кластеризации. Узнаете об основных методах машинного обучения и их особенностях, научитесь оценивать качество моделей — и решать, подходит ли модель для решения конкретной задачи. Наконец, познакомитесь с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества. Для работы мы будем использовать реальные данные из реальных задач. Краткая программа курса: Неделя 1. Введение. Примеры задач. Логические методы: решающие деревья и решающие леса. Неделя 2. Метрические методы классификации. Линейные методы, стохастический градиент. Неделя 3. Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации. Неделя 4. Линейная регрессия. Понижение размерности, метод главных компонент. Неделя 5. Композиции алгоритмов, градиентный бустинг. Нейронные сети. Неделя 6. Кластеризация и визуализация. Частичное обучение. Неделя 7. Прикладные задачи анализа данных: постановки и методы решения. Слушателю нужно знать об основных понятиях математики: функциях, производных, векторах, матрицах. Для выполнения практических заданий потребуются базовые навыки программирования. Очень желательно знать Python. Задания рассчитаны на использование этого языка и его библиотек numpy, pandas и scikit-learn. Чтобы успешно завершить курс, нужно набрать проходную сумму баллов за тесты и практические задания, а также выполнить финальный проект, посвящённый решению прикладной задачи анализа данных. Мы уверены, что этот курс будет полезен каждому, кто хочет постичь искусство предсказательного моделирования и освоить интеллектуальный анализ данных.
Градиентный бустинг
Loading...
From the course by National Research University Higher School of Economics
Введение в машинное обучение
1581 ratings
From the lesson
Композиции алгоритмов
Объединение большого числа моделей в композицию может значительно улучшить итоговое качество за счет того, что отдельные модели будут исправлять ошибки друг друга. В этом модуле мы обсудим основные понятия и постановки задач, связанные с композициями, и обсудим один из наиболее распространенных способов их построения — градиентный бустинг.
Meet the Instructors
Константин Вячеславович ВоронцовПрофессор
Факультет компьютерных наук НИУ ВШЭ, Школа анализа данных Яндекса
Evgeny SokolovSenior Lecturer
HSE Faculty of Computer Science
[ЗАСТАВКА] Бустинг
— это ещё один способ построения композиций в машинном обучении.
И он отличается от бэггинга сразу по нескольким направлениям, обобщая его.
Во-первых, мы будем рассматривать такой вариант бустинга,
который одинаково применим и к задачам регрессии, и к задачам классификации,
то есть он будет допускать произвольные функции потерь,
и мы будем делать оптимизацию функционала аппроксимированного
эмпирического риска с произвольной функцией потерь.
Далее он использует не простое голосование, как бэггинг, а взвешенное
голосование, где каждый базовый алгоритм получает свой весовой коэффициент.
Ещё важное отличие бустинга от бэггинга заключается в том, что, как правило,
в бустинге базовые алгоритмы строятся один за другим,
это такой жадный способ, где каждый следующий базовый алгоритм строится так,
чтобы исправить ошибки предыдущих базовых алгоритмов.
Но однако, оба метода объединяет то, что они являются методами-обёртками,
то есть они эксплуатируют уже готовый метод обучения базовых алгоритмов.
Давайте рассмотрим формальную постановку задачи.
Как обычно у нас имеется обучающая выборка, это пара объект-ответ,
и мы договариваемся строить линейную композицию базовых алгоритмов,
базовых алгоритмов T штук, вот в таком виде, в виде суперпозиции.
Это линейная комбинация базовых алгоритмов bt с весами αt,
и при этом ещё с применением решающего правила.
Решающее правило нам нужно для общности постановки задачи, в частности,
если мы будем решать задачи восстановления регрессии,
то решающие правила нам не нужны и мы будем считать,
что Cb это просто b, тождественная функция.
А вот в случае классификации, в частности на два класса,
под решающим правилом обычно будет пониматься функция sign — знак,
которая превращает ответ вещественнозначной функции
b(x) в классификацию −1 или +1.
Итак, градиентный бустинг.
Мы строим линейную композицию базовых алгоритмов.
Будем оптимизировать функционал качества с произвольной функцией потерь L(b, y).
В этой функции два аргумента: первый аргумент — это оценка,
которую даёт композиция, второй аргумент — это правильный ответ.
Совершенно необязательно, чтобы это были элементы одного и того же множества,
например, правильным ответом может быть +−1, а оценка b может быть
вещественным числом, оценка степени принадлежности объекта классу.
Функционал устроен привычным нам образом.
Это сумма по всем объектам выборки,
функция потерь от нашей линейной композиции.
Мы договоримся в этой композиции строить только последний базовый
алгоритм и определять коэффициент при нём, считая, что все предыдущие
базовые алгоритмы уже построены, их коэффициенты известны и фиксированы.
Таким образом задача заключается в том,
чтобы найти базовый алгоритм bt,
который будет определять нам новый вектор u.
Вектор u состоит из ответов всей композиции на всех объектах
обучающей выборки.
Мы имели вектор uT−1, который состоял из ответов предыдущей композиции,
это как бы наше текущее приближение вектора u,
а мы хотим построить следующее приближение вектора u, uT,
который будет в качестве каждого элемента i-того содержать
ответ композиции на i-том объекте,
при этом в эту композицию надо добавить ещё один базовый алгоритм.
Мы можем рассматривать эту задачу, как задачу минимизации функционала q,
который теперь у нас зависит не от базового алгоритма, а зависит вот от
этого вектора ответов базового алгоритма на всех объектах обучающей выборки u.
Если бы u мог быть каким угодно, произвольным,
то мы бы для оптимизации функционала q(u) могли бы использовать градиентный метод,
который, как обычно, заключается в том, что мы сначала фиксируем
начальную точку u0 и затем делаем градиентные шаги,
gi — это компонента вектора градиента, g — это вектор,
который имеет размерность, равную объёму обучающей выборки,
ну а α — это параметр, величина градиентного шага.
Естественно, мы делаем шаг в направлении антиградиента,
то есть в формуле стоит минус, потому что мы минимизируем функционал.
Но вот эта вот формула градиентного шага, она очень сильно напоминает
формулу добавления ещё одного базового алгоритма в композицию.
Ведь, добавляя базовый алгоритм в композицию,
мы фактически должны сделать очень похожую вещь, мы к uT−1 добавляем α,
умноженное на bt, bt — это наш новый базовый алгоритм,
значит нас интересует ответ на i-том объекте для него,
и домноженный на коэффициент α, нам нужно определить и α и bt.
И если бы у нас bt от xi
равнялось gi, то добавление
базового алгоритма в точности бы совпадало с шагом градиентного метода.
Но в общем случае они, конечно, не равны.
И мы можем сделать так: мы будем двигаться не точно в направлении антиградиента,
а мы будем приближать его с помощью базового алгоритма.
То есть мы будем строить базовый алгоритм bt так,
чтобы он как можно точнее описывал вектор −g.
Ну для этого можно пользоваться разными оптимизационными постановками задачи.
Самое простое, что первое приходит в голову,
это использовать метод наименьших квадратов, мы выпишем функционал суммы
по всем объектам выборки, b(xi) плюс gi, это означает,
что b мы хотим построить так, чтобы он хорошо приближал вектор −g.
И получается вот такой алгоритм,
который получил название градиентного бустинга.
Бустинг потому, что он строит базовые алгоритмы один за другим, каждый следующий
базовый алгоритм пытается компенсировать ошибки предыдущих, а градиентный потому,
что вот есть такая прямая аналогия с методом градиентного спуска.
И ещё важно отметить, что этот метод появился после того,
как были предложены многие разные разновидности
бустингов, очень много разных эвристик.
А метод градиентного бустинга, он их всех объединил,
и стало понятно что можно использовать разные функции потерь,
можно использовать разные способы приближения градиента
и получать разновидности тех бустингов, которые были известны до этого.
То есть градиентный бустинг — это такое суперобобщение многих других
известных алгоритмов.
Итак, в чём он заключается?
Мы строим последовательно базовые алгоритмы,
сначала мы находим T-ый базовый алгоритм так,
чтобы он приближал вектор градиента, то есть это производные
нашей функции потерь, как только мы нашли базовые алгоритмы,
мы уже можем определить коэффициент α при этом базовом алгоритме.
Для этого решается ещё одна оптимизационная задача,
но на этот раз это задача одномерной оптимизации.
Это задача оптимизации по одному скалярному параметру α,
поэтому решается она несложно,
численных методов для одномерной оптимизации известно очень много.
Ну и третий шаг — мы обновляем значение композиции на объектах выборки.
То есть фактически добавляем ещё один базовый алгоритм bt с только
что определённым для него коэффициентом αt в композицию и вычисляем
значение этой композиции на всех объектах обучающей выборки.
Ну для этого к вектору ui достаточно добавить
выражение αt*bt(xi).
[ЗАСТАВКА]
Explore our Catalog
Join for free and get personalized recommendations, updates and offers.
Coursera provides universal access to the world’s best education,
partnering with top universities and organizations to offer courses online.
© 2018 Coursera Inc. All rights reserved.
