XGBoost二阶泰勒展开公式推导

作者: 9933fdf22087 | 来源:发表于2019-05-06 14:50 被阅读0次

目标函数： $\mathrm{obj}=\sum_{i=1}^{n} l\left(y_{i}, \hat{y}_{i}^{(t)}\right)+\sum_{i=1}^{t} \Omega\left(f_{i}\right)$
其中 $y_i$ 是真实值， $\hat{y}_{i}^{(t)}$ 是总t棵树的预测值， $l$ 是loss function， $\Omega$ 是正则项，防止过拟合。 $f$ 是一棵CART树， $f_{t}\left(x_{i}\right)$ 是输入数据 $x_i$ 后第t棵树的输出值。
$\hat{y}_{i}^{(t)}$ 与 $f_{t}\left(x_{i}\right)$ 的关系为： $\hat{y}_{i}^{(t)}=\sum_{k=1}^{t} f_{k}\left(x_{i}\right)=\hat{y}_{i}^{(t-1)}+f_{t}\left(x_{i}\right)$
因此，目标函数即可转为： $\begin{aligned} \mathrm{obj}^{(t)} &=\sum_{i=1}^{n} l\left(y_{i}, \hat{y}_{i}^{(t)}\right)+\sum_{i=1}^{t} \Omega\left(f_{i}\right) \\ &=\sum_{i=1}^{n} l\left(y_{i}, \hat{y}_{i}^{(t-1)}+f_{t}\left(x_{i}\right)\right)+\Omega\left(f_{t}\right)+\text {constant } \end{aligned}$

泰勒展开公式： $f(x+\Delta x) \simeq f(x)+f^{\prime}(x) \Delta x+\frac{1}{2} f^{\prime \prime}(x) \Delta x^{2}$
将损失函数泰勒展开至二阶： $\mathrm{obj}^{(t)}=\sum_{i=1}^{n}\left[l\left(y_{i}, \hat{y}_{i}^{(t-1)}\right)+g_{i} f_{t}\left(x_{i}\right)+\frac{1}{2} h_{i} f_{t}^{2}\left(x_{i}\right)\right]+\Omega\left(f_{t}\right)+constant$
其中 $g_{i}=\partial_{\hat{y}^{(t-1)}} l\left(y_{i}, \hat{y}^{(t-1)}\right)$ ， $h_{i}=\partial_{\hat{y}^{(t-1)}}^{2} l\left(y_{i}, \hat{y}^{(t-1)}\right)$ 分别表示对 $\hat{y}_{i}^{(t-1)}$ 求一次与二次偏导。
与泰勒展开式对应来看，其中x为 $\hat{y}_{i}^{(t-1)}$ ， $\Delta x$ 为 $f_{t}\left(x_{i}\right)$

XGBoost二阶泰勒展开公式推导

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

机器学习