¿Qué es XGBoost?

Desarrollado por Tianqi Chen, de la Universidad de Washington, XGBoost es una aplicación avanzada de la potenciación del gradiente con el mismo marco general; es decir, combina árboles de aprendizaje débiles en fuertes mediante la suma de residuos. La biblioteca está disponible para C++, Python, R, Java, Scala y Julia¹.

Los árboles de decisión se utilizan para tareas de clasificación o regresión en machine learning. Utilizan una estructura de árbol jerárquico en la que un nodo interno representa una característica, la rama representa una regla de decisión­ y cada nodo hoja representa el resultado del conjunto de datos.

Dado que los árboles de decisión tienden al sobreajuste, a menudo se pueden utilizar métodos conjuntos, como el boosting, para crear modelos más robustos. El boosting combina varios árboles débiles individuales, es decir, modelos que funcionan ligeramente mejor que el azar, para formar un aprendiz fuerte. Cada aprendiz débil se entrena secuencialmente para corregir los errores cometidos por los modelos anteriores. Después de cientos de iteraciones, los aprendices débiles se convierten en fuertes.

Los bosques aleatorios y los algoritmos de boosting son dos técnicas populares de aprendizaje por conjuntos que utilizan árboles de aprendices individuales para mejorar el rendimiento predictivo. Los bosques aleatorios se basan en el concepto de bagging (agregación de bootstrap) y entrenan cada árbol de forma independiente para combinar sus predicciones, mientras que los algoritmos de boosting utilizan un enfoque aditivo en el que los aprendices débiles se entrenan secuencialmente para corregir los errores de los modelos anteriores.

Los árboles de decisión potenciados por gradientes son un tipo de algoritmo de boosting que utiliza el descenso del gradiente. Al igual que otras metodologías de boosting, el boosting del gradiente comienza con un aprendiz débil para hacer predicciones. El primer árbol de decisión en el boosting del gradiente se denomina aprendiz base. A continuación, se crean nuevos árboles de forma aditiva a partir de los errores del aprendiz base. Entonces, el algoritmo calcula los residuos de las predicciones de cada árbol para determinar lo alejadas que estaban las predicciones del modelo de la realidad. Los residuos son la diferencia entre los valores previstos y reales del modelo. A continuación, los residuos se agregan para puntuar el modelo con una función de pérdida.

En el machine learning, las funciones de pérdida se utilizan para medir el rendimiento de un modelo. El gradiente en los árboles de decisión potenciados por gradiente se refiere al descenso del gradiente. El descenso de gradiente se utiliza para minimizar la pérdida (es decir, para mejorar el rendimiento del modelo) cuando entrenamos nuevos modelos. El descenso de gradiente es un algoritmo de optimización popular que se utiliza para minimizar la función de pérdida en problemas de machine learning. Algunos ejemplos de funciones de pérdida son el error cuadrático medio o el error absoluto medio para problemas de regresión, la pérdida de entropía cruzada para problemas de clasificación o funciones de pérdida personalizadas que pueden desarrollarse para un caso de uso y un conjunto de datos específicos.

A continuación se analizan algunas de las características de XGBoost en Python que lo hacen destacar en comparación con el paquete normal de potenciación del gradiente en scikit-learn²:

• Computación paralela y distribuida: la biblioteca almacena los datos en unidades de memoria llamadas bloques. Los bloques separados pueden distribuirse entre máquinas o almacenarse en una memoria externa mediante computación fuera del núcleo. XGBoost también permite casos de uso más avanzados, como el entrenamiento distribuido en un clúster de ordenadores para acelerar el cálculo. XGBoost también se puede implementar en su modo distribuido utilizando herramientas como Apache Spark, Dask o Kubernetes.
  
  
• Algoritmo de precarga con reconocimiento de caché: XGBoost utiliza un algoritmo de precarga con reconocimiento de caché que ayuda a reducir el tiempo de ejecución para conjuntos de datos grandes. La biblioteca puede ejecutarse diez veces más rápido que otros marcos existentes en una sola máquina. Gracias a su impresionante velocidad, XGBoost puede procesar miles de millones de ejemplos utilizando menos recursos, lo que lo convierte en un sistema de boosting de árboles escalable.
  
  
• Regularización integrada: XGBoost incluye la regularización como parte del objetivo de aprendizaje, a diferencia de la potenciación del gradiente regular. Los datos también pueden regularizarse mediante el ajuste de hiperparámetros. El uso de la regularización incorporada de XGBoost también permite a la biblioteca ofrecer mejores resultados que el paquete normal de potenciación del gradiente de scikit-learn.
  
  
• Gestión de valores omitidos: XGBoost utiliza un algoritmo consciente de la dispersión para datos dispersos. Cuando falta un valor en el conjunto de datos, el punto de datos se clasifica en la dirección por defecto y el algoritmo aprende la mejor dirección para tratar los valores que faltan.

En esta sección, repasaremos cómo utilizar el paquete XGBoost, cómo seleccionar los hiperparámetros para el reforzador de árbol XGBoost, cómo se compara XGBoost con otras implementaciones de boosting y algunos de sus casos de uso.

Supongamos que ya ha realizado un análisis exploratorio de los datos. Continúe dividiéndolos en un conjunto de datos de entrenamiento y un conjunto de prueba. A continuación, convierta sus datos al formato DMatrix que XGBoost espera³. DMatrix es la estructura de datos interna de XGBoost optimizada para la eficiencia de la memoria y la velocidad de entrenamiento⁴.

A continuación, cree una instancia de un modelo XGBoost y, dependiendo de su caso de uso, seleccione qué función objetivo desea utilizar mediante el hiperparámetro "objeto". Por ejemplo, si tiene una tarea de clasificación multiclase, debe establecer el objetivo en "multi:softmax"⁵. Como alternativa, si tiene un problema de clasificación binaria, puede utilizar el objetivo de regresión logística "binary:logistic". Ahora puede utilizar su conjunto de entrenamiento para entrenar el modelo y predecir clasificaciones para el conjunto de datos que se ha reservado como conjunto de prueba. Evalúe el rendimiento del modelo mediante la comparación de los valores previstos y los valores reales del conjunto de prueba. Puede utilizar métricas como la exactitud, la precisión, la recuperación o el valor f para evaluar su modelo. También puede visualizar sus verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos con una matriz de confusión.

A continuación, es posible que desee iterar a través de una combinación de hiperparámetros para ayudar a mejorar el rendimiento de su modelo. El ajuste de hiperparámetros es el proceso de optimización de los hiperparámetros de un algoritmo de machine learning. Los mejores hiperparámetros se pueden encontrar utilizando métodos de búsqueda en cuadrícula y validación cruzada, que iterarán a través de un diccionario de posibles opciones de ajuste de hiperparámetros.

A continuación se explica algunos de los hiperparámetros disponibles para ajustar los árboles potenciados por gradiente en XGBoost:

• La tasa de aprendizaje (también conocida como "tamaño de paso" o "contracción") es el hiperparámetro de aumento de gradiente más importante. En la biblioteca XGBoost, se conoce como "eta", debe ser un número entre 0 y 1 y el valor predeterminado es 0,3⁶. La tasa de aprendizaje determina la velocidad a la que el algoritmo de boosting aprende de cada iteración. Un valor más bajo de eta significa un aprendizaje más lento, ya que reduce la contribución de cada árbol del conjunto y, por lo tanto, ayuda a evitar el sobreajuste. Por el contrario, un valor más alto de eta acelera el aprendizaje, pero puede provocar un sobreajuste si no se ajusta cuidadosamente.
  
  
• El hiperparámetro n_estimators especifica el número de árboles que se construirán en el conjunto. Cada ronda de boosting añade un nuevo árbol al conjunto y el modelo aprende lentamente a corregir los errores cometidos por los árboles anteriores. N_estimators dirige la complejidad del modelo e influye tanto en el tiempo de entrenamiento como en la capacidad del modelo para generalizar a datos no vistos. Aumentar el valor de n_estimators suele incrementar la complejidad del modelo, ya que permite que este capture patrones más intrincados en los datos. Sin embargo, añadir demasiados árboles puede provocar un sobreajuste. En general, a medida que aumenta n_estimators, la tasa de aprendizaje debería disminuir.
  
  
• Gamma (también conocido como multiplicador de Lagrange o parámetro de reducción mínima de pérdidas) controla la cantidad mínima de reducción de pérdidas necesaria para realizar una nueva división en un nodo hoja del árbol. Un valor más bajo significa que XGBoost se detiene antes pero puede no encontrar la mejor solución; mientras que un valor más alto significa que XGBoost continúa entrenando durante más tiempo, encontrando potencialmente mejores soluciones, pero con mayor riesgo de sobreajuste. No existe límite superior para la gamma. El valor predeterminado en XGBoost es 0 y cualquier valor superior a 10 se considera alto.
  
  
• Max_depth representa la profundidad a la que puede crecer cada árbol del proceso de boosting durante el entrenamiento. La profundidad de un árbol se refiere al número de niveles o divisiones que tiene desde el nodo raíz hasta los nodos hoja. Aumentar este valor hará que el modelo sea más complejo y tenga más probabilidades de sobreajustarse. En XGBoost, el max_depth por defecto es 6, lo que significa que a cada árbol del modelo se le permite crecer hasta una profundidad máxima de seis niveles.

XGBoost es uno de los muchos algoritmos de boosting de código abierto disponibles. En esta sección, compararemos XGBoost con otros tres marcos de impulso.

AdaBoost es uno de los primeros algoritmos de boosting inventados por Yoav Freund y Robert Schapire en 1995⁷. En AdaBoost, se hace más hincapié en las predicciones incorrectas mediante un sistema de ponderaciones que afecta de forma más significativa a aquellos puntos de datos más difíciles de predecir. En primer lugar, a cada punto de datos del conjunto se le asigna una ponderación específica. A medida que los aprendices débiles predicen correctamente un ejemplo, la ponderación del mismo se reduce. Pero si los aprendices se equivocan en un ejemplo, la ponderación de ese punto de datos aumenta. A medida que se crean nuevos árboles, sus ponderaciones se basan en las clasificaciones erróneas de los árboles de aprendizaje anteriores. A medida que aumente el número de aprendices, las muestras que son fáciles de predecir se utilizarán menos para los futuros aprendices, mientras que los puntos de datos que son más difíciles de predecir se ponderarán de forma más destacada. La potenciación del gradiente y XGBoost tienden a ser alternativas más sólidas a AdaBoost debido a su precisión y velocidad.

CatBoost es otro marco de potenciación del gradiente. Desarrollado por Yandex en 2017, está especializado en el manejo de características categóricas sin necesidad de preprocesamiento y, por lo general, ofrece un buen rendimiento inmediato sin necesidad de realizar un ajuste exhaustivo de los hiperparámetros⁸. Al igual que XGBoost, CatBoost ha incorporado soporte para gestionar los datos que faltan. CatBoost es especialmente útil para conjuntos de datos con muchas características categóricas. Según Yandex, el marco se utiliza para búsquedas, sistemas de recomendación, asistentes personales, coches autónomos, predicción meteorológica y otras tareas.

LightGBM (Light Gradient Boosting Machine) es el último algoritmo de potenciación del gradiente que analizaremos. LightGBM fue desarrollado por Microsoft y lanzado por primera vez en 2016⁹. Mientras que la mayoría de los algoritmos de aprendizaje de árboles de decisión hacen crecer los árboles en profundidad, LightGBM utiliza una estrategia de crecimiento de árboles en hojas¹⁰. Al igual que XGBoost, LightGBM presenta una velocidad de entrenamiento de modelos y una precisión rápidas, y funciona bien con grandes conjuntos de datos.

Los árboles de decisión impulsados por XGBoost y el gradiente se utilizan en una variedad de aplicaciones de ciencia de datos, que incluyen:

• Aprendizaje de clasificación: uno de los casos de uso más populares del algoritmo XGBoost es como clasificador. En la recuperación de información, el objetivo de aprender a clasificar es ofrecer a los usuarios contenido ordenado por relevancia. En XGBoost, XGBRanker se basa en el algoritmo LambdaMART¹¹.
  
  
• Predicción de la tasa de clics en anuncios: los investigadores utilizaron un modelo entrenado con XGBoost para determinar la frecuencia con la que se había hecho clic en los anuncios por internet en diez días de datos de clics. El objetivo de la investigación era medir la efectividad de los anuncios por internet y determinar cuáles funcionan bien¹².
  
  
• Predicción de ventas en tienda: XGBoost puede utilizarse para el modelado predictivo, como se demuestra en este artículo, en el que se predijeron las ventas de 45 tiendas Walmart con un modelo XGBoost¹³.
  
  
• Clasificación de malware: gracias a un clasificador XGBoost, los ingenieros de la Universidad Técnica de Košice fueron capaces de clasificar el malware de forma precisa, como se muestra en su artículo¹⁴.
  
  
• Competiciones de Kaggle: XGBoost ha sido un algoritmo ganador muy popular en las competiciones de Kaggle, como se señala en la página de la DMLC (Distributed [Deep] Machine Learning Community), en la que aparece una lista de los ganadores recientes de las competiciones de Kaggle que utilizaron XGBoost para sus participaciones¹⁵.