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。

相关推荐
小墙程序员2 小时前
机器学习入门(二)线性回归
机器学习
追逐☞3 小时前
机器学习(7)——K均值聚类
机器学习·均值算法·聚类
追逐☞4 小时前
机器学习(9)——随机森林
人工智能·随机森林·机器学习
云天徽上5 小时前
【数据可视化-28】2017-2025 年每月产品零售价数据可视化分析
机器学习·信息可视化·数据挖掘·数据分析·零售
硅谷秋水6 小时前
CoT-Drive:利用 LLM 和思维链提示实现自动驾驶的高效运动预测
人工智能·机器学习·语言模型·自动驾驶
IT古董6 小时前
【漫话机器学习系列】214.停用词(Stop Words)
人工智能·机器学习
云天徽上7 小时前
【数据可视化-27】全球网络安全威胁数据可视化分析(2015-2024)
人工智能·安全·web安全·机器学习·信息可视化·数据分析
硅谷秋水7 小时前
ORION:通过视觉-语言指令动作生成的一个整体端到端自动驾驶框架
人工智能·深度学习·机器学习·计算机视觉·语言模型·自动驾驶
小墙程序员8 小时前
机器学习入门(一)什么是机器学习
机器学习
豆芽8198 小时前
强化学习(Reinforcement Learning, RL)和深度学习(Deep Learning, DL)
人工智能·深度学习·机器学习·强化学习