Dlaczego xgboost jest o wiele szybszy niż sklearn GradientBoostingClassifier?

Próbuję wytrenować model zwiększania gradientu na ponad 50 tysiącach przykładów ze 100 funkcjami numerycznymi. XGBClassifierobsługuje 500 drzew w ciągu 43 sekund na mojej maszynie, a GradientBoostingClassifierobsługuje tylko 10 drzew (!) w 1 minutę i 2 sekundy :( Nie zawracałem sobie głowy próbą wyhodowania 500 drzew, ponieważ zajmie to godziny. Używam tego samego learning_ratei max_depthustawień patrz poniżej.

Co sprawia, że XGBoost jest o wiele szybszy? Czy wykorzystuje jakąś nowatorską implementację do zwiększania gradientu, której faceci nie wiedzą? A może jest to „ścinanie zakrętów” i wzrost płytszych drzew?

ps Jestem świadomy tej dyskusji: https://www.kaggle.com/c/higgs-boson/forums/t/10335/xgboost-post-competition-survey, ale nie mogłem tam znaleźć odpowiedzi ...

XGBClassifier(base_score=0.5, colsample_bylevel=1, colsample_bytree=1,
gamma=0, learning_rate=0.05, max_delta_step=0, max_depth=10,
min_child_weight=1, missing=None, n_estimators=500, nthread=-1,
objective='binary:logistic', reg_alpha=0, reg_lambda=1,
scale_pos_weight=1, seed=0, silent=True, subsample=1)

GradientBoostingClassifier(init=None, learning_rate=0.05, loss='deviance',
max_depth=10, max_features=None, max_leaf_nodes=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=10,
presort='auto', random_state=None, subsample=1.0, verbose=0,
warm_start=False)

scikit-learn xgboost gbm data-mining classification data-cleaning machine-learning reinforcement-learning data-mining bigdata dataset nlp language-model stanford-nlp machine-learning neural-network deep-learning randomized-algorithms machine-learning beginner career xgboost loss-function neural-network software-recommendation naive-bayes-classifier classification scikit-learn feature-selection r random-forest cross-validation data-mining python scikit-learn random-forest churn python clustering k-means machine-learning nlp sentiment-analysis machine-learning programming python scikit-learn nltk gensim visualization data csv neural-network deep-learning descriptive-statistics machine-learning supervised-learning text-mining orange data parameter-estimation python pandas scraping r clustering k-means unsupervised-learning

— ihadanny
źródło

Chyba niedługo będę musiał to sformułować jako „dlaczego LightGBM jest o wiele szybszy niż XGBoost?” :)

— ihadanny

$\times$

Domyślam się, że największy efekt wynika z faktu, że XGBoost używa przybliżenia punktów podziału. Jeśli masz funkcję ciągłą z 10000 możliwymi podziałami, XGBoost domyślnie bierze pod uwagę tylko „najlepsze” 300 podziałów (jest to uproszczenie). To zachowanie jest kontrolowane przez sketch_epsparametr i możesz przeczytać więcej na ten temat w dokumencie . Możesz spróbować go obniżyć i sprawdzić różnicę. Ponieważ nie ma wzmianki o tym w dokumentacji scikit-learn , myślę, że nie jest ona dostępna. Możesz dowiedzieć się, jaka jest metoda XGBoost w ich pracy (arxiv) .

XGBoost stosuje również przybliżenie oceny takich punktów podziału. Nie wiem, według którego kryterium scikit uczy się ocenia podziały, ale mogłoby to wyjaśnić resztę różnicy czasu.

Adresowanie komentarzy

Odnośnie oceny punktów podziału

Co jednak miałeś na myśli przez „XGBoost używa również przybliżenia przy ocenie takich punktów podziału”? o ile rozumiem, do oceny używają dokładnej redukcji optymalnej funkcji celu, jak pokazano w równaniu (7) w pracy.

$L(y,H_{i-1}+h_i)$ $L$ $y$ $H_{i-1}$ $h_i$ $L$ $L$ $H_{i-1}$ $i$

$L(y,H_{i-1} + h_i)$ $L$

— Mruga
źródło

Dzięki @Winks, czytam gazetę i widzę, co masz na myśli przez algorytm aproksymacyjny dla wybierania podzielonych kandydatów. Co jednak miałeś na myśli przez „XGBoost używa również przybliżenia przy ocenie takich punktów podziału”? o ile rozumiem, do oceny używają dokładnej redukcji optymalnej funkcji celu, jak pokazano w równaniu (7) w pracy.

— ihadanny,

Zredagowałem swoją odpowiedź, aby zaadresować twój komentarz. Sprawdź to Q / A, aby uzyskać więcej informacji na temat oceny punktów podziału.

— Mruga

Wielkie dzięki, @Winks! byłoby wspaniale, gdybyś mógł również odpowiedzieć na moje bardziej szczegółowe pytanie tutaj: datascience.stackexchange.com/q/10997/16050

— ihadanny

To świetna odpowiedź. Hat trik !

— eliasah