梯度迭代树（GBDT）算法原理及Spark MLlib调用实例（Scala/Java/python）

梯度迭代树

算法简介：

        梯度提升树是一种决策树的集成算法。它通过反复迭代训练决策树来最小化损失函数。决策树类似，梯度提升树具有可处理类别特征、易扩展到多分类问题、不需特征缩放等性质。Spark.ml通过使用现有decision tree工具来实现。

       梯度提升树依次迭代训练一系列的决策树。在一次迭代中，算法使用现有的集成来对每个训练实例的类别进行预测，然后将预测结果与真实的标签值进行比较。通过重新标记，来赋予预测结果不好的实例更高的权重。所以，在下次迭代中，决策树会对先前的错误进行修正。

       对实例标签进行重新标记的机制由损失函数来指定。每次迭代过程中，梯度迭代树在训练数据上进一步减少损失函数的值。spark.ml为分类问题提供一种损失函数（Log Loss），为回归问题提供两种损失函数（平方误差与绝对误差）。

       Spark.ml支持二分类以及回归的随机森林算法，适用于连续特征以及类别特征。

＊注意梯度提升树目前不支持多分类问题。

参数：

checkpointInterval:

类型：整数型。

含义：设置检查点间隔（>=1），或不设置检查点（-1）。

featuresCol:

类型：字符串型。

含义：特征列名。

impurity:

类型：字符串型。

含义：计算信息增益的准则（不区分大小写）。

labelCol:

类型：字符串型。

含义：标签列名。

lossType:

类型：字符串型。

含义：损失函数类型。

maxBins:

类型：整数型。

含义：连续特征离散化的最大数量，以及选择每个节点分裂特征的方式。

maxDepth:

类型：整数型。

含义：树的最大深度（>=0）。

maxIter:

类型：整数型。

含义：迭代次数（>=0）。

minInfoGain:

类型：双精度型。

含义：分裂节点时所需最小信息增益。

minInstancesPerNode:

类型：整数型。

含义：分裂后自节点最少包含的实例数量。

predictionCol:

类型：字符串型。

含义：预测结果列名。

rawPredictionCol:

类型：字符串型。

含义：原始预测。

seed:

类型：长整型。

含义：随机种子。

subsamplingRate:

类型：双精度型。

含义：学习一棵决策树使用的训练数据比例，范围[0,1]。

stepSize:

类型：双精度型。

含义：每次迭代优化步长。

示例：

       下面的例子导入LibSVM格式数据，并将之划分为训练数据和测试数据。使用第一部分数据进行训练，剩下数据来测试。训练之前我们使用了两种数据预处理方法来对特征进行转换，并且添加了元数据到DataFrame。

Scala:

[plain]
view plain
copy

import org.apache.spark.ml.Pipeline  
import org.apache.spark.ml.classification.{GBTClassificationModel, GBTClassifier}  
import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator  
import org.apache.spark.ml.feature.{IndexToString, StringIndexer, VectorIndexer}  
  
// Load and parse the data file, converting it to a DataFrame.  
val data = spark.read.format("libsvm").load("data/mllib/sample_libsvm_data.txt")  
  
// Index labels, adding metadata to the label column.  
// Fit on whole dataset to include all labels in index.  
val labelIndexer = new StringIndexer()  
  .setInputCol("label")  
  .setOutputCol("indexedLabel")  
  .fit(data)  
// Automatically identify categorical features, and index them.  
// Set maxCategories so features with > 4 distinct values are treated as continuous.  
val featureIndexer = new VectorIndexer()  
  .setInputCol("features")  
  .setOutputCol("indexedFeatures")  
  .setMaxCategories(4)  
  .fit(data)  
  
// Split the data into training and test sets (30% held out for testing).  
val Array(trainingData, testData) = data.randomSplit(Array(0.7, 0.3))  
  
// Train a GBT model.  
val gbt = new GBTClassifier()  
  .setLabelCol("indexedLabel")  
  .setFeaturesCol("indexedFeatures")  
  .setMaxIter(10)  
  
// Convert indexed labels back to original labels.  
val labelConverter = new IndexToString()  
  .setInputCol("prediction")  
  .setOutputCol("predictedLabel")  
  .setLabels(labelIndexer.labels)  
  
// Chain indexers and GBT in a Pipeline.  
val pipeline = new Pipeline()  
  .setStages(Array(labelIndexer, featureIndexer, gbt, labelConverter))  
  
// Train model. This also runs the indexers.  
val model = pipeline.fit(trainingData)  
  
// Make predictions.  
val predictions = model.transform(testData)  
  
// Select example rows to display.  
predictions.select("predictedLabel", "label", "features").show(5)  
  
// Select (prediction, true label) and compute test error.  
val evaluator = new MulticlassClassificationEvaluator()  
  .setLabelCol("indexedLabel")  
  .setPredictionCol("prediction")  
  .setMetricName("accuracy")  
val accuracy = evaluator.evaluate(predictions)  
println("Test Error = " + (1.0 - accuracy))  
  
val gbtModel = model.stages(2).asInstanceOf[GBTClassificationModel]  
println("Learned classification GBT model:\n" + gbtModel.toDebugString)  

Java:

[java]
view plain
copy

import org.apache.spark.ml.Pipeline;  
import org.apache.spark.ml.PipelineModel;  
import org.apache.spark.ml.PipelineStage;  
import org.apache.spark.ml.classification.GBTClassificationModel;  
import org.apache.spark.ml.classification.GBTClassifier;  
import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator;  
import org.apache.spark.ml.feature.*;  
import org.apache.spark.sql.Dataset;  
import org.apache.spark.sql.Row;  
import org.apache.spark.sql.SparkSession;  
  
// Load and parse the data file, converting it to a DataFrame.  
Dataset<Row> data = spark  
  .read()  
  .format("libsvm")  
  .load("data/mllib/sample_libsvm_data.txt");  
  
// Index labels, adding metadata to the label column.  
// Fit on whole dataset to include all labels in index.  
StringIndexerModel labelIndexer = new StringIndexer()  
  .setInputCol("label")  
  .setOutputCol("indexedLabel")  
  .fit(data);  
// Automatically identify categorical features, and index them.  
// Set maxCategories so features with > 4 distinct values are treated as continuous.  
VectorIndexerModel featureIndexer = new VectorIndexer()  
  .setInputCol("features")  
  .setOutputCol("indexedFeatures")  
  .setMaxCategories(4)  
  .fit(data);  
  
// Split the data into training and test sets (30% held out for testing)  
Dataset<Row>[] splits = data.randomSplit(new double[] {0.7, 0.3});  
Dataset<Row> trainingData = splits[0];  
Dataset<Row> testData = splits[1];  
  
// Train a GBT model.  
GBTClassifier gbt = new GBTClassifier()  
  .setLabelCol("indexedLabel")  
  .setFeaturesCol("indexedFeatures")  
  .setMaxIter(10);  
  
// Convert indexed labels back to original labels.  
IndexToString labelConverter = new IndexToString()  
  .setInputCol("prediction")  
  .setOutputCol("predictedLabel")  
  .setLabels(labelIndexer.labels());  
  
// Chain indexers and GBT in a Pipeline.  
Pipeline pipeline = new Pipeline()  
  .setStages(new PipelineStage[] {labelIndexer, featureIndexer, gbt, labelConverter});  
  
// Train model. This also runs the indexers.  
PipelineModel model = pipeline.fit(trainingData);  
  
// Make predictions.  
Dataset<Row> predictions = model.transform(testData);  
  
// Select example rows to display.  
predictions.select("predictedLabel", "label", "features").show(5);  
  
// Select (prediction, true label) and compute test error.  
MulticlassClassificationEvaluator evaluator = new MulticlassClassificationEvaluator()  
  .setLabelCol("indexedLabel")  
  .setPredictionCol("prediction")  
  .setMetricName("accuracy");  
double accuracy = evaluator.evaluate(predictions);  
System.out.println("Test Error = " + (1.0 - accuracy));  
  
GBTClassificationModel gbtModel = (GBTClassificationModel)(model.stages()[2]);  
System.out.println("Learned classification GBT model:\n" + gbtModel.toDebugString());  

Python：

[python]
view plain
copy

from pyspark.ml import Pipeline  
from pyspark.ml.classification import GBTClassifier  
from pyspark.ml.feature import StringIndexer, VectorIndexer  
from pyspark.ml.evaluation import MulticlassClassificationEvaluator  
  
# Load and parse the data file, converting it to a DataFrame.  
data = spark.read.format("libsvm").load("data/mllib/sample_libsvm_data.txt")  
  
# Index labels, adding metadata to the label column.  
# Fit on whole dataset to include all labels in index.  
labelIndexer = StringIndexer(inputCol="label", outputCol="indexedLabel").fit(data)  
# Automatically identify categorical features, and index them.  
# Set maxCategories so features with > 4 distinct values are treated as continuous.  
featureIndexer =\  
    VectorIndexer(inputCol="features", outputCol="indexedFeatures", maxCategories=4).fit(data)  
  
# Split the data into training and test sets (30% held out for testing)  
(trainingData, testData) = data.randomSplit([0.7, 0.3])  
  
# Train a GBT model.  
gbt = GBTClassifier(labelCol="indexedLabel", featuresCol="indexedFeatures", maxIter=10)  
  
# Chain indexers and GBT in a Pipeline  
pipeline = Pipeline(stages=[labelIndexer, featureIndexer, gbt])  
  
# Train model.  This also runs the indexers.  
model = pipeline.fit(trainingData)  
  
# Make predictions.  
predictions = model.transform(testData)  
  
# Select example rows to display.  
predictions.select("prediction", "indexedLabel", "features").show(5)  
  
# Select (prediction, true label) and compute test error  
evaluator = MulticlassClassificationEvaluator(  
    labelCol="indexedLabel", predictionCol="prediction", metricName="accuracy")  
accuracy = evaluator.evaluate(predictions)  
print("Test Error = %g" % (1.0 - accuracy))  
  
gbtModel = model.stages[2]  
print(gbtModel)  # summary only