LightGbm Paper Review

LightGBM

首先拉出来LGBM的改进对象，XGBoost

     优点：

• 利用了二阶梯度来对节点划分，相对其他GBM，精度有所提高
• 利用了局部近似优化对分裂节点的贪心算法，取适当的eps，可以保持算法的性能且提高运算速度
• 在损失函数中引入了L1，L2，控制复杂度，提高模型的鲁棒性
• 权值收缩，特征下采样等手段
  缺点：
• 基于数值Pre-Sorted，因此不能处理类别特征，时间复杂度高
• 需要Pre-Sorted，耗内存（2 * data * features）
• 数据分割点上，由于XGB对不同的数据特征使用Pre-Sorted算法，但是不同的特征的排序是不同的，所以分裂时需要对每个特征单独做依次分割，遍历次数 = data * features 来将数据分裂到左右子节点（尽管使用了局部近似，但是处理粒度还是过细）
• 由于Pre-Sorted，所以在寻找特征分裂点（level-wise，XGB的生长策略为广度优先）时，产生大量的cache

针对以上的缺点，LGBM提出改进

• 基于Histogram（直方图）来代替Pre-Sorted 所构建的数据结构
• 基于Hist，对于连续性特征将其类别化（Bundle）K类，然后根据直方图离散值统计，寻找最佳分割点
• 利用GOSS（Gradient- based One-Side Sampling，梯度单边采样）来做采样算法
• 使用EFB（Exclusive Feature Bundling，独立特征合并）来预处理稀疏数据

1、Histogram Algorithm

     Pre-Sorted需要保存每一个特征的排序结构，所以要存储 2 * Features * Data * 4Bytes，而Hist 只需要保存离散值bin value，且不用存原始数据，Data * Features * 1Byte。
     对于且子节点相对应的Feature histogram 时，只需要构造一个子节点的Feature Histogram，另外一个子节点的Histogram 用父节点减去刚构造出来的即可。

Histogram Algorithm

2、GOSS（Gradient-based One-Side Sampling）

     根据样本某一个特征上的单梯度作为样本的权值进行训练。
1）选择前a%个较大梯度的值作为大梯度值的训练样本
2）从剩余的1-a%个较小梯度的值中，随机选择b%个作为小梯度值得训练样本
3）对于较小梯度的样本，即b%(1-a%)samples ，在计算信息增益时将其放大（1-a）/b倍
总结：a%samples + b%(1-a%)*samples 作为训练样本

GOSS Algorithm

3、EFB（Exclusive Feature Bundling）

高维数据往往具有很强的稀疏性，提出EFB方法来解决高维数据稀疏问题。

Greedy Bundling
贪心算法，将如何确定哪些特征用于融合的问题转化为一个图着色算法，构建一个以feature为图中的点（V），以feature 之间的总冲突为图中的边（E）。
（这里的冲突值是不是Feature之间的Corr？）
首先按照对每个点（feature）做降序，然后将特征合并到冲突数小于K的Bundle或者新建另外一个Bundle，复杂度O(Feature^2)。
Merge Exclusive Features
然后通过Algo4对Bundle中的特征进行融合。
由于每一个Bundle中的特征数量是不同的，所以要重新构建合并Bundle Feature 的Range，在第一个For循环中，记录每个Feature与之前Features累积的TotalRange。
在第二个For循环中，根据之前的binRanges重新计算出新的BinValue（F[j]bin[i]+binRanges[j]），保证Feature之间的值不会冲突，这是对于稀疏矩阵进行优化，由于之前GreedyBundling 算法对Features 进行冲突检查确保Bundle内特征冲突尽可能少，所以特征之间的非0元素不会有太多的冲突。
          Data.Shape= Samples*bundles, s.t. bundles << features

4、Leaf - Wise(Best - First) Tress Growth

     LGB 对于树的生长使用的是Leaf - Wise，而不是XGB的Level-Wise。主要是由于LGB认为 Level-Wise 的做法会产生一些地信息增益的节点，从而浪费计算资源。（Generally， Level-Wise 有防止过拟合的作用）LGB认为Leaf-Wise 能更好的追求精度，用max_depth 控制树的高度。又Histogram和GOSS有天然的正则作用，因此LGB使用Leaf-Wise也可以取得更好的效果，且不易过拟合。
References：
     LightGBM
     XGBoost