Visualizando Gradient Boosting

Atualizado 2020-04-08 Leitura 2 min

Resumo

Visualizar o Gradient Boosting estágio por estágio revela como cada árvore corrige os resíduos restantes.
Acompanhar previsões intermediárias ajuda a diagnosticar subajuste, sobreajuste e cronogramas de aprendizado instáveis.
A visualização torna as decisões de ajuste de learning_rate e n_estimators interpretáveis em vez de tentativa e erro.

Intuição #

A ideia principal é inspecionar não apenas a curva final, mas também cada estágio intermediário. Ver onde cada árvore adiciona ou subtrai massa de previsão torna o mecanismo de boosting concreto.

Explicação Detalhada #

Treinamento e previsão final #

n_samples = 500
X = np.linspace(-10, 10, n_samples)[:, np.newaxis]
noise = np.random.rand(X.shape[0]) * 10
y = (np.sin(X).ravel()) * 10 + 10 + noise

n_estimators = 10
learning_rate = 0.5
reg = GradientBoostingRegressor(
    n_estimators=n_estimators,
    learning_rate=learning_rate,
)
reg.fit(X, y)
y_pred = reg.predict(X)

plt.figure(figsize=(20, 10))
plt.scatter(X, y, c="k", marker="x", label="train")
plt.plot(X, y_pred, c="r", label="final", linewidth=1)
plt.xlabel("x")
plt.ylabel("y")
plt.axhline(y=np.mean(y), color="gray", linestyle=":", label="baseline")
plt.title("Fitting on training data")
plt.legend()
plt.show()

Figura de treinamento e previsão final

Empilhar contribuições por árvore #

fig, ax = plt.subplots(figsize=(20, 10))
temp = np.zeros(n_samples) + np.mean(y)

for i in range(n_estimators):
    res = reg.estimators_[i][0].predict(X) * learning_rate
    ax.bar(X.flatten(), res, bottom=temp, label=f"tree {i+1}", alpha=0.05)
    temp += res

plt.scatter(X.flatten(), y, c="k", marker="x", label="train")
plt.plot(X, y_pred, c="r", label="final", linewidth=1)
plt.legend()
plt.xlabel("x")
plt.ylabel("y")

Figura de empilhamento de contribuições por árvore

Empilhamento parcial (melhoria por estágio) #

for i in range(5):
    fig, ax = plt.subplots(figsize=(20, 10))
    plt.title(f"Up to tree {i+1}")
    temp = np.zeros(n_samples) + np.mean(y)

    for j in range(i + 1):
        res = reg.estimators_[j][0].predict(X) * learning_rate
        ax.bar(X.flatten(), res, bottom=temp, label=f"{j+1}", alpha=0.05)
        temp += res

    plt.scatter(X.flatten(), y, c="k", marker="x", label="train")
    plt.legend()
    plt.xlabel("x")
    plt.ylabel("y")
    plt.show()