从CART到GBDT到LightGBM
cart树
空间分割思想的由来
一些学者采用类似随机投影的思路，将自变量的取值空间切分为若干个碎块，并假设这个空间碎块内的所有样本的因变量取值接近(甚至相同)——在这种思想的指导下，出现了一种非常经典的回归模型，即CART回归树。
cart决策树的构建思想
决策树认为，物以类聚、人以群分，在特征空间里相近的样本，那就是一类。如果为每个“类”分配的空间范围比较小，那么，同一个类内的样本差异会非常小，以至于看起来一样。换句话说，如果我们可以将特征空间切分为较小的碎块，然后为每一个碎块内的样本配置一个统一的因变量取值，就有机会做出误差较小的预测。
cart决策树需要解决的两个问题
- 如何分割特征空间
- 如何为不同空间设置因变量取值
- 针对离散值的分类决策树：如ID3 C4.5
- 针对连续值的分类决策树: CART树：
在构建CART树的时候，我们遍历所有特征的所有取值 ——以这个特征的这个取值为分割依据、得到两组样本 和 ，然后计算对这两组样本的预测误差。遍历完毕后，选取预测误差最小的那一个特征的取值 。
这里有一个问题：“预测误差”哪来的？基于预测值和真实值算出来的。“预测值”哪儿来的？需要一个计算方法。为了使MSE最小，一般以一组样本的输出值的均值作为预测值
CART分类树和CART回归树的思想和逻辑结构是相同的，二者的主要区别是:样本分组时，CART分类树评价(特征，取值)的质量指标为gini系数，CART回归树为MSE。
GBDT
主要思想
用第K个CART拟合前k-1个CART留下的残差，从而不断的缩小整个模型的误差
- 前k个CART的预测值：
- 最优化目标函数
- 【带一点泛函】将目标函数对另一个函数(即前k-1个CART组成的模型)求偏导，得函数更新公式：
- 采用残差平方和作为目标函数：
（3-3） - 由（3-1）（3-2）（3-3）：
这就解释了为什么GBDT是在拟合残差
GBDT里，我们需要将目标函数对另一个函数(即前k-1个CART组成的模型)求偏导，进而基于梯度得到一棵CART(即第k课CART)的学习目标——这是理解GBDT的主要难关
LightGBM
特性
- leafwise生长策略：每次只选择增益最大的节点进行分裂。
对比的是level wise，level wise是分裂时将决策树中当前层的所有节点都进行分裂，其中可能有部分增益其实并不大。调参方法
参考
https://www.cnblogs.com/bjwu/p/9307344.html
https://blog.csdn.net/u012735708/article/details/83749703 - nums_leaves参数：
num_leaves. 这是控制树模型复杂性的重要参数。理论上，我们可以通过设定num_leaves = 2^(max_depth) 去转变成为depth-wise tree。但这样容易过拟合，因为当这两个参数相等时, leaf-wise tree的深度要远超depth-wise tree。因此在调参时，往往会把 num_leaves的值设置得小于2^(max_depth)。例如当max_depth=6时depth-wise tree可以有个好的准确率，但如果把 num_leaves 设成 127 会导致过拟合，要是把这个参数设置成 70或 80 却有可能获得比depth-wise tree有更好的准确率。
查看12道真题和解析
