机器学习——CatBoost、目标变量统计、排序提升算法

CatBoost(Categorical+Boosting)是专门用于处理类别特征的Boosting框架

一、目标变量排序

类别特征在结构化数据集中非常常见，如性别(男、女)、学历(本科、硕士、博士)等，对于这类数据，直接采样对类别特征进行编码，有多少类别取值就映射多少数值，这种直接的编码方式称为硬编码 。除了这种编码方式外，one-hot编码也非常高效，但是对于特征类别数目特别多的情况下，该编码容易出现大量冗余特征(一个特征有50个类别值，那么就会产生50个稀疏特征)，对于这种情况的优化方式，可以选择对类别数目重新归类 ，将其降低到较少数目时，再进行one-hot编码 。除了编码和one-hot编码外，另外一种方式则是目标变量统计(Target Statistics,TS)，其核心思想是通过目标变量的统计信息来编码类别特征，从而提升机器学习模型的性能 。具体例子如用户ID这一类别特征，可以使用历史点击率(目标变量)的均值代替原始ID值，这种方法的适用场景为存在明显类别分布差异的数据，是的其通过目标变量的计算均值能尽可能的将其类别特征区分开来。具体理解：比如对于学历这一特征中的本科生、研究生、博士生进行数目统计求其均值（或者可以使用多个特征进行计算对其进行标识，比如：总人数这一特征，购买人数这一特征，编码值=购买人数/总人数），来实现对其特征类别的区分的标识。所以可以看出这种方法可以对多个特征进行统一编码。但是容易出现一个问题，就是在对数据进行划分的过程中，即训练集和测试集(希望数据划分中尽可能不改变数据分布)，其训练集和测试集的数据分布不同，造成条件偏移 ，故为了避免这个问题，故使用一个先验项用于减少噪声和低频类型数据受数据分布的影响(如果不加先验项的话容易很好的拟合训练集数据，对测试数据的拟合效果就不好，这样就容易出现过拟合，故一般都需要加上先验项)，其具体加上先验项的公式如下：

不加先验项的公式如下：

二、排序提升算法

由于训练样本的分布与测试样本的分布存在偏移，故CatBoost来实现排序提升解决预测偏移的问题
CatBoost算法已经在封装好了，可以直接在pycharm中通过pip insatll catboost进行安装使用。你只需要知道CatBoost是专门用于高效处理类别特征的梯度提升模型即可。