CN108536650A - 生成梯度提升树模型的方法和装置 - Google Patents
生成梯度提升树模型的方法和装置 Download PDFInfo
- Publication number
- CN108536650A CN108536650A CN201810290078.XA CN201810290078A CN108536650A CN 108536650 A CN108536650 A CN 108536650A CN 201810290078 A CN201810290078 A CN 201810290078A CN 108536650 A CN108536650 A CN 108536650A
- Authority
- CN
- China
- Prior art keywords
- split
- data
- leaf node
- tree
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种生成梯度提升树模型的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:根据待分割的叶子节点上的样本数据,确定至少一个进程,其中,所述至少一个进程至少对应于所述样本数据中的部分数据;根据预设的目标损失函数和最优分裂计算函数确定每个进程对应的最优分裂点,以获得多个最优分裂点;从所述多个最优分裂点中确定全局最优分裂点;基于所述全局最优分裂点,对所述待分割的叶子节点进行分割,以生成梯度提升树模型。该实施方式能够在分布式、大数据量的情况下快速地获得精确的梯度提升树模型,而且该方法和装置不需要依赖第三方的资源调度框架和计算框架,降低了复杂度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种生成梯度提升树模型的方法和装置。
背景技术
XGBoost(Extreme Gradient Boosting)是一种典型的梯度提升树算法,相对于传统的GDBT(Gradient Boosting Decision Tree,梯度提升决策树,是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来做最终答案),其在loss function(损耗函数/损失函数)中引入二阶泰勒展开,并在目标函数中引入正则惩罚项,使得其在模型复杂度和目标函数下降之间取得权衡,有效避免了过拟合;同时在工程实现中使用多线程和数据分块等方法加速了算法的处理速度。
随着数据量的增加,单机处理能力有限,越来越多的算法开始走向分布式。XGBoost分布式版本分为两个:一个是XGBoost On Yarn,另一个是XGBoost4j,即XGBoostOn Spark版本。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
在XGBoost On Yarn版本中,XGBoost为了实现分布式处理能力,牺牲了以往暴力求解的精确解法,进而用统计直方图的方法来求取最优分裂点,使得计算得到的最优分裂点只能在概率上逐渐接近实际的最优分裂点,因而得到的模型结果为近似结果,无法得到精确结果。综上,虽然XGBoost On Yarn处理的数据量增加了以及数据处理能力加快了,但是在一定程度上损失了精度。
在XGBoost4j版本中,XGBoost将自身算法通过scala(scala是一门多范式的编程语言)转换,借助Spark的分布式处理能力进行运算,但该方法运算速度缓慢,同时对于大数据量的支持难以稳定运行,实测效果较差。
发明内容
有鉴于此,本发明实施例提供一种生成梯度提升树模型的方法和装置,能够在分布式、大数据量的情况下快速地获得精确的梯度提升树模型,即快速的获得XGBoost的精确解,而且该方法和装置不需要依赖第三方的资源调度框架和计算框架。
为实现上述目的,根据本发明实施例的一个方面,提供了一种生成梯度提升树模型的方法,包括:根据待分割的叶子节点上的样本数据,确定至少一个进程,其中,所述至少一个进程至少对应于所述样本数据中的部分数据;根据预设的目标损失函数和最优分裂计算函数确定每个进程对应的最优分裂点,以获得多个最优分裂点;从所述多个最优分裂点中确定全局最优分裂点;基于所述全局最优分裂点,对所述待分割的叶子节点进行分割,以生成梯度提升树模型。
可选地,在对待分割的叶子节点进行分割之后,所述方法还包括:判断当前生成的梯度提升树模型的深度是否等于深度阈值;若是,则确定生成的梯度提升树中是否存在待剪枝的叶子节点,若存在,则对待剪枝的叶子节点进行剪枝操作,并将已剪枝的叶子节点的样本数据分配到所述当前生成的梯度提升树模型中未剪枝的叶子节点上。
可选地,所述样本数据包括多个样本特征数据,每个样本特征数据具有标识;所述确定多个进程包括:根据样本特征数据的标识,确定与该样本特征数据对应的进程,以获得与所述样本数据对应的多个进程。
可选地,每个进程具有唯一的进程号;根据样本特征数据的标识,确定与该样本特征数据对应的进程包括:根据下式(1)确定与样本特征数据对应的进程号:
x=y%n (1)
其中,x表示与样本特征数据对应的进程号,y表示样本特征数据的标识,n表示进程总数。
为实现上述目的,根据本发明实施例的另一方面,提供了一种生成梯度提升树模型的装置,包括:进程确定模块,用于根据待分割的叶子节点上的样本数据,确定至少一个进程,其中,所述至少一个进程至少对应于所述样本数据中的部分数;最优分裂点确定模块,用于根据预设的目标损失函数和最优分裂计算函数确定每个进程对应的最优分裂点,以获得多个最优分裂点;全局最优分裂点确定模块,用于从所述多个最优分裂点中确定全局最优分裂点;分割模块,用于基于所述全局最优分裂点,对所述待分割的叶子节点进行分割,以生成梯度提升树模型。
可选地,所述装置还包括:深度判断模块,用于判断当前生成的梯度提升树模型的深度是否等于深度阈值;剪枝模块,用于确定生成的梯度提升树中是否存在待剪枝的叶子节点,若存在,则对待剪枝的叶子节点进行剪枝操作,并将已剪枝的叶子节点的样本数据分配到所述当前生成的梯度提升树模型中未剪枝的叶子节点上。
可选地,所述样本数据包括多个样本特征数据,每个样本特征数据具有标识;
所述进程确定模块还用于:根据样本特征数据的标识,确定与该样本特征数据对应的进程,以获得与所述样本数据对应的多个进程。
可选地,每个进程具有唯一的进程号;
所述进程确定模块还用于:根据下式(1)确定与样本特征数据对应的进程号:
x=y%n (1)
其中,x表示与样本特征数据对应的进程号,y表示样本特征数据的标识,n表示进程总数。
为实现上述目的,根据本发明实施例的又一方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例所述的生成梯度提升树的方法。
为实现上述目的,根据本发明实施例的再一方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例所述的生成梯度提升树的方法。
上述发明中的一个实施例具有如下优点或有益效果:因为采用根据待分割的叶子节点上的样本数据,确定至少一个进程,其中,所述至少一个进程至少对应于所述样本数据中的部分数据;根据预设的目标损失函数和最优分裂计算函数确定每个进程对应的最优分裂点,以获得多个最优分裂点;从所述多个最优分裂点中确定全局最优分裂点;基于所述全局最优分裂点,对所述待分割的叶子节点进行分割,以生成梯度提升树模型的技术手段,所以克服了现有技术中利用统计直方图不能获得精确解的技术问题,进而能够在分布式、大数据量的情况下快速地获得精确的梯度提升树模型,即快速的获得XGBoost的精确解,而且该方法和装置不需要依赖第三方的资源调度框架和计算框架,降低了复杂度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的生成梯度提升树模型的方法的主要流程的示意图;
图2-1是根据本发明实施例的生成梯度提升树模型的方法生成的梯度提升树的示意图;
图2-2是将图2-1中的梯度树模型剪枝之后的示意图;
图3是根据本发明实施例的生成梯度提升树模型的方法的主要流程的示意图;
图4是根据本发明实施例的生成梯度提升树模型的装置的主要模块的示意图;
图5是本发明实施例可以应用于其中的示例性系统架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的生成梯度提升树模型的方法的主要流程的示意图。如图1所示,该方法包括:
步骤S101:根据待分割的叶子节点上的样本数据,确定至少一个进程,其中,所述至少一个进程至少对应于所述样本数据中的部分数据;
步骤S102:根据预设的目标损失函数和最优分裂计算函数确定每个进程对应的最优分裂点,以获得多个最优分裂点;
步骤S103:从所述多个最优分裂点中确定全局最优分裂点;
步骤S104:基于所述全局最优分裂点,对所述待分割的叶子节点进行分割,以生成梯度提升树模型。
对于步骤S101,样本数据包括多个样本特征数据,每个样本特征数据具有标识。例如,样可以将样本数据分为标签(label)和特征(feature)集合,每个特征具有特征号。一条样本数据可以分为:label,feature1,feature2,feature3,feature4。例如,在推荐领域的商品推荐中,label表示用户是否购买了某商品,若是,则label为1,若不是,则label为0;特征集合是与购买商品相关的信息,例如,是否购买过该商品相关的商品,三个月内是否存在购买行为等。
在可选的实施例中,上述进程可以是MPI(Message passing interface,是高性能计算领域开发并行应用的标准接口)进程。
确定至少一个进程的步骤包括:根据样本特征数据的标识,确定与该样本特征数据对应的进程,以获得至少一个进程。
进一步的,每个进程具有唯一的进程号。
根据样本特征数据的标识,确定与该样本特征数据对应的进程包括:根据下式(1)确定与样本特征数据对应的进程号:
x=y%n(1)
其中,x表示与样本特征数据对应的进程号,y表示样本特征数据的标识,n表示进程总数。例如,n为5,y为21,则x等于1。其中,进程总数可以根据实际应用场景和应用需求确定,本发明在此不做限定。
本发明实施例采用取余的方式来分配每个进程的样本特征数据,可以使分配到每个进程上的样本特征数据均匀,那么在后续进程并行处理过程中,不会出现因某个进程上的样本特征数据较多而增加处理时间,保证了处理效率。而且当样本特征数据越多,分配的越均匀,对于数据量较大的情况,也能具有较快的处理速度。
在可选的实施例中,根据样本特征数据的标识,确定与该样本特征数据对应的进程也可以包括:具有相同标识的样本特征数据对应的进程相同。例如,feature1对应于进程1,feature2对应于进程2。
对于步骤S102,可以按照贪心算法,枚举出每个特征作为分割点的结果,然后从多个结果中选择最优的结果,该最优的结果对应的特征即为最优分裂点。具体的,可以根据预设的目标损失函数和最优分裂计算函数对每个进程上的样本特征数据进行计算,得到每个进程对应的最优分裂点。
其中,目标损失函数可以根据实际应用场景和需求确定,本发明在此不做限制。作为具体的例子,目标损失函数可以是:binary:logistic(二分类的逻辑回归问题,输出为概率),binary:logitraw(二分类的逻辑回归问题,输出结果为wTx)、reg:linear(线性回归)、reg:logistic(逻辑回归)、count:poisson(计数问题的泊松回归,输出结果为泊松分布)、multi:softmax(让XGBoost采用softmax目标函数处理多分类问题,同时需要设置参数:类别个数num_class)、rank:pairwise(set XGBoost to do ranking task by minimizingthe pairwise loss,让XGBoost通过最小化两两损失做排名的任务)等。
根据预设的目标损失函数确定每个样本特征数据的梯度统计量,即每个样本特征数据的一阶导数和二阶导数。将获得的梯度统计量代入最优分裂计算函数,得到该样本特征数据的信息增益值。对比每个进程上多个样本特征数据的信息增益值,将信息增益值最大的样本特征数据作为该进程的最优分裂点。对比多个进程的最优分裂点,从多个进程的最优分裂点中,选择信息增益值最大的最优分裂点作为全局最优分裂点。
其中,最优分裂计算函数如下式(2)所示:
其中,losschg表示信息增益值;GL为左子节点的样本数据在目标损失函数下的一阶导数和;GR为右子节点的样本数据在目标损失函数下的一阶导数和;HL为左子节点的样本数据在目标损失函数下的二阶导数和;HR为右子节点样本在目标损失函数下的二阶导数和;λ和γ为预先设定的参数,为目标损失函数的复杂度参数。
对于步骤S103,对比多个进程的最优分裂点,从多个进程的最优分裂点中,选择信息增益值最大的最优分裂点作为全局最优分裂点。
在可选的实施例中,在确定全局最优分裂点之后,可以将确定的全局最优分裂点通知给其他进程。为此,全局的子进程都获得了全局最优分裂点。在此基础上,每一个子进程便可以进一步计算下一层树深度下的最优分裂点
对于步骤S104,根据全局最优分裂点,将待分割的叶子节点上的样本数据进行划分,以生成新的叶子节点。例如待分割的叶子节点为叶子节点0(根节点),将该待分割的叶子节点0进行划分,划分为叶子节点1和叶子节点2。
本发明实施例的方法针对XGB00st单机版精确解,利用MPI使精确解的过程进行MPI并行化,即将样本数据均匀的分散在每个进程上,使得每一个进程处理一部分样本数据,以得到每个进程的最优分裂点,从而能够快速的获得大数据量下XGB00st的精确解。具体的,采用根据待分割的叶子节点上的样本数据,确定至少一个进程,其中,所述至少一个进程至少对应于所述样本数据中的部分数据;根据预设的目标损失函数和最优分裂计算函数确定每个进程对应的最优分裂点,以获得多个最优分裂点;从所述多个最优分裂点中确定全局最优分裂点;基于所述全局最优分裂点,对所述待分割的叶子节点进行分割,以生成梯度提升树模型的技术手段,所以克服了现有技术中利用统计直方图不能获得精确解的技术问题,进而能够在分布式、大数据量的情况下快速地获得精确的梯度提升树模型,即快速的获得XGBoost的精确解,而且该方法和装置不需要依赖第三方的资源调度框架和计算框架,降低了复杂度。
本发明实施例的方法使用MPI进行特征间的并行化处理,相当于在以多线程的方式对特征内并行化的基础上,进行特征间并行化计算,且这种并行化计算不仅可以在单机环境下运行,也可以在分布式(多机)环境下运行。
在可选的实施例中,在将待分割的叶子节点分割之后,记录分割得到的叶子节点的位置,在下一轮生成梯度提升树模型时,新分割得到的叶子节点的位置在已有的位置上进行累加。例如,第一分割得到的叶子节点的位置为1和2,则第二次分割得到的叶子节点的位置为3和4。
在可选的实施例中,在对待分割的叶子节点进行分割之后,所述方法还包括:判断当前生成的梯度提升树模型的深度是否等于深度阈值;若是,则确定生成的梯度提升树中是否存在待剪枝的叶子节点,若存在,则对待剪枝的叶子节点进行剪枝操作,并将已剪枝的叶子节点的样本数据分配到所述当前生成的梯度提升树模型中未剪枝的叶子节点上。因此,每一个样本数据都能根据当前的梯度提升树模型计算预测值,即每一个样本数据都能根据当前的梯度提升树模型计算label的预测值。
在本实施例中,可以预先设定梯度提升树模型的深度阈值,即梯度提升树模型的最大深度。若当前生成的梯度提升树模型的深度小于深度阈值,则重复执行上述步骤S101-步骤S104,直至当前的梯度提升树模型的深度等于深度阈值。在当前的梯度提升树模型的深度达到深度阈值,则确定该梯度提升树模型中的叶子节点是否需要剪枝,即确定生成的梯度提升树中是否存在待剪枝的叶子节点。具体的,可以根据叶子节点所属父节点的信息熵确定其是否需要剪枝。当该叶子节点所属父节点的信息熵小于信息熵阈值,则该叶子节点需要剪枝。其中,叶子节点的信息熵根据下式(3)确定:
其中,Gain表示叶子节点的信息熵,G表示叶子节点在目标损失函数下的一阶导数,H表示叶子节点在目标损失函数下的二阶导数。
在将待剪枝的叶子节点进行剪枝操作之后,将已剪枝的叶子节点的样本数据分配到当前的梯度提升树模型中未剪枝的叶子节点上。
作为具体的示例,当前生成的梯度提升树模型如图2-1所示,当确定叶子节点1需要进行剪枝之后,又因为该叶子节点1分裂成了子叶子节点3和子叶子节点4,则将叶子节点1、子叶子节点3和子叶子节点4进行剪枝操作。然后将子叶子节点3和子叶子节点4上的样本数据剪枝后的梯度提升树模型进行重新分配,分配之后的梯度提升树模型如图2-2所示。
本发明实施例的方法,在单轮梯度提升树模型迭代中,将剪枝的叶子节点的样本数据分配到未剪枝的叶子节点上,而不是对所有样本数据重新分配,节省了计算开销,提高了计算效率。
在可选的实施例中,在当前的梯度提升决策树模型生成之后,则以该梯度提升树模型的残差作为新的样本数据进行训练,以生成下一个梯度提升决策树模型,直至梯度提升决策树模型的数量达到预设模型数量阈值。
图3是根据本发明实施例的生成梯度提升树模型的方法的主要流程的示意图。在本实施例中,可以先确定参数,具体包括算法参数、进程总数、深度阈值(max_depth[default=6],缺省值为6)以及树的总数等。其中算法参数可以包括:Lambda[default=0]表示L2正则的惩罚系数;alpha[default=0]表示L1正则的惩罚系数;lambda_bias表示在偏置上的L2正则,缺省值为0;eta[default=0.3]表示防止过拟合,更新过程中用到的收缩步长。
如图3所示,该方法包括:
步骤S301:确定待分割的叶子节点上的样本特征数据的特征号,根据特征号以及式(1),确定与每个进程对应的样本特征数据;
步骤S302:根据预设的目标损失函数确定每个特征的梯度统计量;根据梯度统计量和最优分裂计算函数确定每个进程对应的最优分裂点;
步骤S303:从多个最优分裂点中,选择信息增益值最大的最优分裂点作为全局最优分裂点;
步骤S304;根据全局最优分裂点将待分割的叶子节点进行分割;
步骤S305:判断当前生成的梯度提升树模型的深度是否等于深度阈值,若是,则执行步骤S306,若否,则执行步骤S301;
步骤S306:确定生成的梯度提升树模型中是否存在待剪枝的叶子节点,若存在,则执行步骤S307,若不存在,则基于该生成的梯度提升树模型生成下一个梯度提升树模型;
步骤S307:对待剪枝的叶子节点进行剪枝操作,
步骤S308:将已剪枝的叶子节点的样本数据分配到所述当前生成的梯度提升树模型中未剪枝的叶子节点上。
本发明实施例的方法针对XGB00st单机版精确解,利用MPI使精确解的过程进行MPI并行化,即将样本数据均匀的分散在每个进程上,使得每一个进程处理一部分样本数据,以得到每个进程的最优分裂点,从而能够快速的获得大数据量下XGB00st的精确解。
图4是根据本发明实施例的生成梯度提升树模型的装置的主要模块的示意图。如图4所示,该装置400包括:
进程确定模块401,用于根据待分割的叶子节点上的样本数据,确定与所述样本数据对应的多个进程;
最优分裂点确定模块402,用于根据预设的目标损失函数和最优分裂计算函数确定每个进程对应的最优分裂点,以获得多个最优分裂点;
全局最优分裂点确定模块403,用于从所述多个最优分裂点中确定全局最优分裂点;
分割模块404,用于基于所述全局最优分裂点,对所述待分割的叶子节点进行分割,以生成梯度提升树模型。
可选地,所述装置还包括:深度判断模块,用于判断当前生成的梯度提升树模型的深度是否等于深度阈值;剪枝模块,用于确定生成的梯度提升树中是否存在待剪枝的叶子节点,若存在,则对待剪枝的叶子节点进行剪枝操作,并将已剪枝的叶子节点的样本数据分配到所述当前生成的梯度提升树模型中未剪枝的叶子节点上。
可选地,所述样本数据包括多个样本特征数据,每个样本特征数据具有标识;
所述进程确定模块401还用于:根据样本特征数据的标识,确定与该样本特征数据对应的进程,以获得与所述样本数据对应的多个进程。
可选地,每个进程具有唯一的进程号;
所述进程确定模块401还用于:根据下式确定与样本特征数据对应的进程号:
x=y%n (1)
其中,x表示与样本特征数据对应的进程号,y表示样本特征数据的标识,n表示进程总数。
上述装置可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
图5示出了可以应用本发明实施例的生成梯度提升树模型的方法或生成梯度提升树模型的装置的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505(。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的生成梯度提升树模型的方法一般由服务器505执行,相应地,生成梯度提升树模型的装置一般设置于服务器505中。
应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中,这些模块的名称在某种情况下并不构成对该单元本身的限定,例如,发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:
根据待分割的叶子节点上的样本数据,确定至少一个进程,其中,所述至少一个进程至少对应于所述样本数据中的部分数据;
根据预设的目标损失函数和最优分裂计算函数确定每个进程对应的最优分裂点,以获得多个最优分裂点;
从所述多个最优分裂点中确定全局最优分裂点;
基于所述全局最优分裂点,对所述待分割的叶子节点进行分割,以生成梯度提升树模型。
本发明实施例的技术方案,针对XGB00st单机版精确解,利用MPI使精确解的过程进行MPI并行化,即将样本数据均匀的分散在每个进程上,使得每一个进程处理一部分样本数据,以得到每个进程的最优分裂点,从而能够快速的获得大数据量下XGB00st的精确解。具体的,采用根据待分割的叶子节点上的样本数据,确定至少一个进程,其中,所述至少一个进程至少对应于所述样本数据中的部分数据;根据预设的目标损失函数和最优分裂计算函数确定每个进程对应的最优分裂点,以获得多个最优分裂点;从所述多个最优分裂点中确定全局最优分裂点;基于所述全局最优分裂点,对所述待分割的叶子节点进行分割,以生成梯度提升树模型的技术手段,所以克服了现有技术中利用统计直方图不能获得精确解的技术问题,进而能够在分布式、大数据量的情况下快速地获得精确的梯度提升树模型,即快速的获得XGBoost的精确解,而且该方法和装置不需要依赖第三方的资源调度框架和计算框架,降低了复杂度。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种生成梯度提升树模型的方法,其特征在于,包括:
根据待分割的叶子节点上的样本数据,确定至少一个进程,其中,所述至少一个进程至少对应于所述样本数据中的部分数据;
根据预设的目标损失函数和最优分裂计算函数确定每个进程对应的最优分裂点,以获得多个最优分裂点;
从所述多个最优分裂点中确定全局最优分裂点;
基于所述全局最优分裂点,对所述待分割的叶子节点进行分割,以生成梯度提升树模型。
2.根据权利要求1所述的方法,其特征在于,在对待分割的叶子节点进行分割之后,所述方法还包括:
判断当前生成的梯度提升树模型的深度是否等于深度阈值;
若是,则确定生成的梯度提升树模型中是否存在待剪枝的叶子节点,若存在,则对待剪枝的叶子节点进行剪枝操作,并将已剪枝的叶子节点的样本数据分配到所述当前生成的梯度提升树模型中未剪枝的叶子节点上。
3.根据权利要求1所述的方法,其特征在于,所述样本数据包括多个样本特征数据,每个样本特征数据具有标识;
所述确定多个进程包括:
对于每个样本特征数据,根据所述样本特征数据的标识,确定与所述样本特征数据对应的进程,以获得与所述样本数据对应的多个进程。
4.根据权利要求3所述的方法,其特征在于,每个进程具有唯一的进程号;
根据所述样本特征数据的标识,确定与所述样本特征数据对应的进程包括:根据下式(1)确定与样本特征数据对应的进程号:
x=y%n (1)
其中,x表示与样本特征数据对应的进程号,y表示样本特征数据的标识,n表示进程总数。
5.一种生成梯度提升树模型的装置,其特征在于,包括:
进程确定模块:根据待分割的叶子节点上的样本数据,确定至少一个进程,其中,所述至少一个进程至少对应于所述样本数据中的部分数据;
最优分裂点确定模块,用于根据预设的目标损失函数和最优分裂计算函数确定每个进程对应的最优分裂点,以获得多个最优分裂点;
全局最优分裂点确定模块,用于从所述多个最优分裂点中确定全局最优分裂点;
分割模块,用于基于所述全局最优分裂点,对所述待分割的叶子节点进行分割,以生成梯度提升树模型。
6.根据权利要求5所述的方法,其特征在于,所述装置还包括:
深度判断模块,用于判断当前生成的梯度提升树模型的深度是否等于深度阈值;
剪枝模块,用于确定生成的梯度提升树模型中是否存在待剪枝的叶子节点,若存在,则对待剪枝的叶子节点进行剪枝操作,并将已剪枝的叶子节点的样本数据分配到所述当前生成的梯度提升树模型中未剪枝的叶子节点上。
7.根据权利要求5所述的装置,其特征在于,所述样本数据包括多个样本特征数据,每个样本特征数据具有标识;
所述进程确定模块还用于:
对于每个样本特征数据,根据所述样本特征数据的标识,确定与所述样本特征数据对应的进程,以获得与所述样本数据对应的多个进程。
8.根据权利要求7所述的装置,其特征在于,每个进程具有唯一的进程号;
所述进程确定模块还用于:根据下式(1)确定与样本特征数据对应的进程号:
x=y%n (1)
其中,x表示与样本特征数据对应的进程号,y表示样本特征数据的标识,n表示进程总数。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810290078.XA CN108536650B (zh) | 2018-04-03 | 2018-04-03 | 生成梯度提升树模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810290078.XA CN108536650B (zh) | 2018-04-03 | 2018-04-03 | 生成梯度提升树模型的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108536650A true CN108536650A (zh) | 2018-09-14 |
CN108536650B CN108536650B (zh) | 2022-04-26 |
Family
ID=63482366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810290078.XA Active CN108536650B (zh) | 2018-04-03 | 2018-04-03 | 生成梯度提升树模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108536650B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109348497A (zh) * | 2018-09-30 | 2019-02-15 | 南昌航空大学 | 无线传感器网络链路质量预测方法 |
CN109408774A (zh) * | 2018-11-07 | 2019-03-01 | 上海海事大学 | 基于随机森林和梯度提升树的预测污水出水指标的方法 |
CN109617715A (zh) * | 2018-11-27 | 2019-04-12 | 中盈优创资讯科技有限公司 | 网络故障诊断方法、系统 |
CN109710065A (zh) * | 2018-12-18 | 2019-05-03 | 苏州大学 | 基于大脑血红蛋白信息的行走调节意图的识别方法 |
CN110119540A (zh) * | 2019-04-19 | 2019-08-13 | 电子科技大学 | 一种用于生存风险分析的多输出梯度提升树建模方法 |
CN110795603A (zh) * | 2019-10-29 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 一种基于树模型的预测方法和装置 |
CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
CN110990829A (zh) * | 2019-11-21 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 在可信执行环境中训练gbdt模型的方法、装置及设备 |
CN111091197A (zh) * | 2019-11-21 | 2020-05-01 | 支付宝(杭州)信息技术有限公司 | 在可信执行环境中训练gbdt模型的方法、装置及设备 |
CN111104614A (zh) * | 2019-12-11 | 2020-05-05 | 上海携旅信息技术有限公司 | 用于旅游目的地推荐系统的召回信息的生成方法 |
CN111259975A (zh) * | 2020-01-21 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 分类器的生成方法及装置、文本的分类方法及装置 |
CN113722739A (zh) * | 2021-09-06 | 2021-11-30 | 京东科技控股股份有限公司 | 梯度提升树模型的生成方法、装置、电子设备和存储介质 |
CN113824546A (zh) * | 2020-06-19 | 2021-12-21 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
WO2023280316A1 (zh) * | 2021-07-09 | 2023-01-12 | 杨光 | 一种基于改进型XGBoost类方法的数据分析方法、定价方法以及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718493A (zh) * | 2014-12-05 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 基于决策树的搜索结果排序方法及其装置 |
CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
CN106446964A (zh) * | 2016-10-21 | 2017-02-22 | 河南大学 | 一种增量式的梯度提升决策树更新方法 |
CN106815369A (zh) * | 2017-01-24 | 2017-06-09 | 中山大学 | 一种基于Xgboost分类算法的文本分类方法 |
CN107301226A (zh) * | 2017-06-20 | 2017-10-27 | 哈尔滨工业大学 | 一种问答系统中检索自模块的自动评价方法 |
-
2018
- 2018-04-03 CN CN201810290078.XA patent/CN108536650B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718493A (zh) * | 2014-12-05 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 基于决策树的搜索结果排序方法及其装置 |
CN106156880A (zh) * | 2015-04-22 | 2016-11-23 | 阿里巴巴集团控股有限公司 | 一种预测库存分配比例的方法、装置及电子设备 |
CN106446964A (zh) * | 2016-10-21 | 2017-02-22 | 河南大学 | 一种增量式的梯度提升决策树更新方法 |
CN106815369A (zh) * | 2017-01-24 | 2017-06-09 | 中山大学 | 一种基于Xgboost分类算法的文本分类方法 |
CN107301226A (zh) * | 2017-06-20 | 2017-10-27 | 哈尔滨工业大学 | 一种问答系统中检索自模块的自动评价方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109348497A (zh) * | 2018-09-30 | 2019-02-15 | 南昌航空大学 | 无线传感器网络链路质量预测方法 |
CN109408774A (zh) * | 2018-11-07 | 2019-03-01 | 上海海事大学 | 基于随机森林和梯度提升树的预测污水出水指标的方法 |
CN109408774B (zh) * | 2018-11-07 | 2022-11-08 | 上海海事大学 | 基于随机森林和梯度提升树的预测污水出水指标的方法 |
CN109617715A (zh) * | 2018-11-27 | 2019-04-12 | 中盈优创资讯科技有限公司 | 网络故障诊断方法、系统 |
CN109710065A (zh) * | 2018-12-18 | 2019-05-03 | 苏州大学 | 基于大脑血红蛋白信息的行走调节意图的识别方法 |
CN109710065B (zh) * | 2018-12-18 | 2021-12-28 | 苏州大学 | 基于大脑血红蛋白信息的行走调节意图的识别方法 |
CN110119540A (zh) * | 2019-04-19 | 2019-08-13 | 电子科技大学 | 一种用于生存风险分析的多输出梯度提升树建模方法 |
CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
CN110866528B (zh) * | 2019-10-28 | 2023-11-28 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
CN110795603A (zh) * | 2019-10-29 | 2020-02-14 | 支付宝(杭州)信息技术有限公司 | 一种基于树模型的预测方法和装置 |
CN111091197A (zh) * | 2019-11-21 | 2020-05-01 | 支付宝(杭州)信息技术有限公司 | 在可信执行环境中训练gbdt模型的方法、装置及设备 |
CN110990829A (zh) * | 2019-11-21 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 在可信执行环境中训练gbdt模型的方法、装置及设备 |
CN111091197B (zh) * | 2019-11-21 | 2022-03-01 | 支付宝(杭州)信息技术有限公司 | 在可信执行环境中训练gbdt模型的方法、装置及设备 |
CN111104614A (zh) * | 2019-12-11 | 2020-05-05 | 上海携旅信息技术有限公司 | 用于旅游目的地推荐系统的召回信息的生成方法 |
CN111259975A (zh) * | 2020-01-21 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 分类器的生成方法及装置、文本的分类方法及装置 |
CN111259975B (zh) * | 2020-01-21 | 2022-07-22 | 支付宝(杭州)信息技术有限公司 | 分类器的生成方法及装置、文本的分类方法及装置 |
CN113824546A (zh) * | 2020-06-19 | 2021-12-21 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN113824546B (zh) * | 2020-06-19 | 2024-04-02 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
WO2023280316A1 (zh) * | 2021-07-09 | 2023-01-12 | 杨光 | 一种基于改进型XGBoost类方法的数据分析方法、定价方法以及相关设备 |
CN113722739A (zh) * | 2021-09-06 | 2021-11-30 | 京东科技控股股份有限公司 | 梯度提升树模型的生成方法、装置、电子设备和存储介质 |
CN113722739B (zh) * | 2021-09-06 | 2024-04-09 | 京东科技控股股份有限公司 | 梯度提升树模型的生成方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108536650B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536650A (zh) | 生成梯度提升树模型的方法和装置 | |
CN110348771B (zh) | 一种对订单进行组单的方法和装置 | |
CN113239317A (zh) | 确定订单履约仓库的方法和装置 | |
CN108764319A (zh) | 一种样本分类方法和装置 | |
CN110119445A (zh) | 生成特征向量和基于特征向量进行文本分类的方法和装置 | |
CN107480205A (zh) | 一种进行数据分区的方法和装置 | |
CN110019298A (zh) | 数据处理方法和装置 | |
CN110019367A (zh) | 一种统计数据特征的方法和装置 | |
CN107463642A (zh) | 提升数据仓库工具资源利用率的方法和装置 | |
CN110309142A (zh) | 规则管理的方法和装置 | |
CN109978213A (zh) | 一种任务路径规划方法和装置 | |
CN110309293A (zh) | 文本推荐方法和装置 | |
CN112418258A (zh) | 一种特征离散化方法和装置 | |
CN114219545A (zh) | 一种数据处理的方法和装置 | |
CN110503117A (zh) | 数据聚类的方法和装置 | |
CN112449217B (zh) | 一种推送视频的方法、装置、电子设备和计算机可读介质 | |
CN110276566A (zh) | 信息输出方法和装置 | |
CN110019802A (zh) | 一种文本聚类的方法和装置 | |
CN115936764A (zh) | 一种产品推广方法和装置 | |
CN112784212A (zh) | 一种优化库存的方法和装置 | |
CN113379173B (zh) | 为仓库商品标记标签的方法和装置 | |
CN110297750A (zh) | 程序相似性检测的方法和装置 | |
CN109767249A (zh) | 预测性价比的方法和装置 | |
CN112989276A (zh) | 信息推送系统的评价方法和装置 | |
CN116358594B (zh) | 一种车辆路径的规划方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |