XGBoost 和隨機森林在表格數(shù)據(jù)上優(yōu)于深度學習？
↓推薦關(guān)注↓
為什么基于樹的機器學習方法，如 XGBoost 和隨機森林在表格數(shù)據(jù)上優(yōu)于深度學習？本文給出了這種現(xiàn)象背后的原因，他們選取了 45 個開放數(shù)據(jù)集，并定義了一個新基準，對基于樹的模型和深度模型進行比較，總結(jié)出三點原因來解釋這種現(xiàn)象。
深度學習在圖像、語言甚至音頻等領域取得了巨大的進步。然而，在處理表格數(shù)據(jù)上，深度學習卻表現(xiàn)一般。由于表格數(shù)據(jù)具有特征不均勻、樣本量小、極值較大等特點，因此很難找到相應的不變量。
基于樹的模型不可微，不能與深度學習模塊聯(lián)合訓練，因此創(chuàng)建特定于表格的深度學習架構(gòu)是一個非?；钴S的研究領域。許多研究都聲稱可以擊敗或媲美基于樹的模型，但他們的研究遭到很多質(zhì)疑。
事實上，對表格數(shù)據(jù)的學習缺乏既定基準，這樣一來研究人員在評估他們的方法時就有很多自由度。此外，與其他機器學習子域中的基準相比，大多數(shù)在線可用的表格數(shù)據(jù)集都很小，這使得評估更加困難。
為了緩解這些擔憂，來自法國國家信息與自動化研究所、索邦大學等機構(gòu)的研究者提出了一個表格數(shù)據(jù)基準，其能夠評估最新的深度學習模型，并表明基于樹的模型在中型表格數(shù)據(jù)集上仍然是 SOTA。
對于這一結(jié)論，文中給出了確鑿的證據(jù)，在表格數(shù)據(jù)上，使用基于樹的方法比深度學習（甚至是現(xiàn)代架構(gòu)）更容易實現(xiàn)良好的預測，研究者并探明了其中的原因。
論文地址：https://hal.archives-ouvertes.fr/hal-03723551/document
值得一提的是，論文作者之一是 Ga?l Varoquaux ，他是 Scikit-learn 計劃的領導者之一。目前該項目在 GitHub 上已成為最流行的機器學習庫之一。而由 Ga?l Varoquaux 參與的文章《Scikit-learn: Machine learning in Python》，引用量達 58949。
本文貢獻可總結(jié)為：
該研究為表格數(shù)據(jù)創(chuàng)建了一個新的基準（選取了 45 個開放數(shù)據(jù)集），并通過 OpenML 共享這些數(shù)據(jù)集，這使得它們易于使用。
該研究在表格數(shù)據(jù)的多種設置下比較了深度學習模型和基于樹的模型，并考慮了選擇超參數(shù)的成本。該研究還分享了隨機搜索的原始結(jié)果，這將使研究人員能夠廉價地測試新算法以獲得固定的超參數(shù)優(yōu)化預算。
在表格數(shù)據(jù)上，基于樹的模型仍然優(yōu)于深度學習方法
新基準參考 45 個表格數(shù)據(jù)集，選擇基準如下 ：
異構(gòu)列，列應該對應不同性質(zhì)的特征，從而排除圖像或信號數(shù)據(jù)集。 維度低，數(shù)據(jù)集 d/n 比率低于 1/10。 無效數(shù)據(jù)集，刪除可用信息很少的數(shù)據(jù)集。 I.I.D.（獨立同分布）數(shù)據(jù)，移除類似流的數(shù)據(jù)集或時間序列。 真實世界數(shù)據(jù)，刪除人工數(shù)據(jù)集，但保留一些模擬數(shù)據(jù)集。 數(shù)據(jù)集不能太小，刪除特征太少（< 4）和樣本太少（< 3 000）的數(shù)據(jù)集。 刪除過于簡單的數(shù)據(jù)集。 刪除撲克和國際象棋等游戲的數(shù)據(jù)集，因為這些數(shù)據(jù)集目標都是確定性的。
在基于樹的模型中，研究者選擇了 3 種 SOTA 模型：Scikit Learn 的 RandomForest，GradientBoostingTrees (GBTs) ， XGBoost 。
該研究對深度模型進行了以下基準測試：MLP、Resnet 、FT Transformer、SAINT 。
圖 1 和圖 2 給出了不同類型數(shù)據(jù)集的基準測試結(jié)果
實證調(diào)查：為什么基于樹的模型在表格數(shù)據(jù)上仍然優(yōu)于深度學習
歸納偏差?；跇涞哪Ｐ驮诟鞣N超參數(shù)選擇中擊敗了神經(jīng)網(wǎng)絡。事實上，處理表格數(shù)據(jù)的最佳方法有兩個共有屬性：它們是集成方法、bagging（隨機森林）或 boosting（XGBoost、GBT），而這些方法中使用的弱學習器是決策樹。
發(fā)現(xiàn) 1：神經(jīng)網(wǎng)絡（NN）傾向于過度平滑的解決方案
如圖 3 所示，對于較小的尺度，平滑訓練集上的目標函數(shù)會顯著降低基于樹的模型的準確率，但幾乎不會影響 NN。這些結(jié)果表明，數(shù)據(jù)集中的目標函數(shù)并不平滑，與基于樹的模型相比，NN 難以適應這些不規(guī)則函數(shù)。這與 Rahaman 等人的發(fā)現(xiàn)一致，他們發(fā)現(xiàn) NN 偏向于低頻函數(shù)?；跊Q策樹的模型學習分段（piece-wise）常函數(shù)，沒有這樣的偏置。
發(fā)現(xiàn) 2：非信息特征更能影響類似 MLP 的 NN
表格數(shù)據(jù)集包含許多非信息（ uninformative）特征，對于每個數(shù)據(jù)集，該研究根據(jù)特征的重要性會選擇丟棄一定比例的特征（通常按隨機森林排序）。從圖 4 可以看出，去除一半以上的特征對 GBT 的分類準確率影響不大。
圖 5 可以看到移除非信息特征 (5a) 減少了 MLP (Resnet) 與其他模型（FT Transformers 和基于樹的模型）之間的性能差距 ，而添加非信息特征會擴大差距，這表明 MLP 對非信息特征的魯棒性較差。在圖 5a 中，當研究者移除更大比例的特征時，相應的也會刪除有用信息特征。圖 5b 表明，去除這些特征所帶來的準確率下降可以通過去除非信息特征來補償，與其他模型相比，這對 MLP 更有幫助（同時，該研究還刪除了冗余特性，也不會影響模型性能）。
發(fā)現(xiàn) 3：通過旋轉(zhuǎn)，數(shù)據(jù)是非不變的
與其他模型相比，為什么 MLP 更容易受到無信息特征的影響？其中一個答案是，MLP 是旋轉(zhuǎn)不變的：當對訓練集和測試集特征應用旋轉(zhuǎn)時，在訓練集上學習 MLP 并在測試集上進行評估，這一過程是不變的。事實上，任何旋轉(zhuǎn)不變的學習過程都具有最壞情況下的樣本復雜度，該復雜度至少在不相關(guān)特征的數(shù)量上呈線性增長。直觀地說，為了去除無用特征，旋轉(zhuǎn)不變算法必須首先找到特征的原始方向，然后選擇信息最少的特征。
圖 6a 顯示了當對數(shù)據(jù)集進行隨機旋轉(zhuǎn)時的測試準確率變化，證實只有 Resnets 是旋轉(zhuǎn)不變的。值得注意的是，隨機旋轉(zhuǎn)顛倒了性能順序：結(jié)果是 NN 在基于樹的模型之上，Resnets 在 FT Transformer 之上，這表明旋轉(zhuǎn)不變性是不可取的。事實上，表格數(shù)據(jù)通常具有單獨含義，例如年齡、體重等。
圖 6b 中顯示：刪除每個數(shù)據(jù)集中最不重要的一半特征（在旋轉(zhuǎn)之前），會降低除 Resnets 之外的所有模型的性能，但與沒有刪除特征使用所有特征時相比，相比較而言，下降的幅度較小。
長按或掃描下方二維碼，后臺回復：加群，即可申請入群。一定要備注：來源+研究方向+學校/公司，否則不拉入群中，見諒！
（長按三秒，進入后臺）
推薦閱讀
