【机器学习】为什么GBDT可以超越深度学习
今天的讨论比较玄学，至于为什么用曹雪芹的诗当封面，看完文章明白啦。
目录
背景 玄学立论 娓娓道来 后话
背景
之前在知乎上回答了一个类似的问题，他们问为什么很多领域的比赛数据集上的GBDT效果那么好（比神经网络）。
回答这个问题前，先引入一个概念，目标的非线性。
非线性，应该是从原始输入到目标决策之间gap的刻画，用博大精深的中文语言为例:
比如垃圾话，就很直白，无非是问候几个人物，几个器官，几个行为。可以望文生义。
但是阴阳话，这个就非常难了。
感恩两字，你要看他真的感恩，还是在那里只能咸因。威武支持有希望了，你看他是不是在叼飞盘，这就很难。
这些都要看具体的场景，人物和环境，这就叫非线性。
人的解决问题，大概就是把一个复杂目标化简解决的能力，目的是降低问题的非线性，把一个问题去解决的过程。具体到数据挖掘上，应该是把特征表达出来的能力。
具体到问题，非线性比较高的场景有，序列建模，大规模离散ID建模，阴阳话识别，语音的特征表达。这些都是非线性非常高的场景，基本都超出了手动解决输入到目标之间gap的能力。
玄学立论
先用一个玄学的图来立论。
简而言之当你的认知超越问题的难度时候，可以通过一些方法把问题去复杂化，一般GBDT的效果会比NN好。
可这话真的太晦涩了。
我们回到之前的知乎上回答看看吧。
娓娓道来
先来几个问题作为引子吧，在回答为什么在实际的kaggle比赛中，GBDT效果非常好？
Q1.kaggle上的数据和赛题有什么特点？
Q2.GBDT和NN有什么特点？
Q3.为什么你很少看见Kaggle上用SVM LR立大功？
Q4.怎么根据数据特点进行模型选型？
Q5.近三年，有哪些非CV和NLP，Speech的比赛上印证了NN和GBDT的江湖地位之争
一句话来回答，本质上还是由数据和模型决定的。
再来说一下为什么kaggle里给你一种GBDT满天飞的感觉。
来到Q1kaggle上的数据和赛题有什么特点？
跟现在研究生入学，大部分用深度学习怼图片文本不一样，以前kaggle赛题，尤其是2019年前，有很大比例是工业界的表格数据。比如各种实际的预测预估任务，CTR，信用评分，销量预测等。他们有如下几个特点。
1.工业界的数据脏。异常点，缺失值，历史遗留问题造成的数据痕迹等等。
2.工业界的数据可解释性很强，每一列有真实的业务含义。
在以上背景下，再来到Q2.GBDT和NN有什么特点？
我们理一下树模型天然的优点
1.天然的鲁棒性，能自动从异常点，缺失值学到信息。不需要归一化。直接上手一把梭哈。
2.树可以半自动化地完成一些特征非线性表达的工作，而且基于贪心切分+采样等抗过拟合手段，能比较好的挖掘数据的非线性。
3.树的可解释性很好，能生产特征重要性，帮助你理解数据，改善特征工程。一个经典的套路是思考topN特征背后的逻辑，并围绕他们进行特征工程。
我们理一下NN模型的优点：
1.全自动化的特征工程和登峰造极的非线性表达能力，在数据表征范式统一，语义含义统一的稠密数据上（典型文本图像）上，NN一个打十个。另外，典型的像ID序列这种，人很难做出花来。也就是Bag of words或者借用embedding表达一下，还有一半是NN的功劳。
2.NN模型容量极大，在数据量的加持上，放大了1的优势。
给你们整个表吧
| 优势 | 劣势 | |
|---|---|---|
| GBDT | 1.鲁棒，异常点，缺失值都是可以学习的信息 2.适中的非线性能力，在一定范围内是优势3.可解释性很好，可以帮你优化特征工程 | 1.非线性表达能力有限，很难在文本图像上有用。 2.数据量带来的边际增益不大，容易触及天花板。 |
| NN | 1.全自动化的特征工程 2.模型容量大，可以利用数据量的优势 | 1.异常值敏感，依赖手动处理 2.不可解释，改进迭代的过程有点像蒙特卡洛，措施和结果的路径太远。3.过强的非线性中隐含过拟合和噪音。 |
但是看起来LGB的优点在其他模型也有，那么Q3为什么不是SVM和LR？
1.这两种模型获取非线性的方式太粗暴了，有种大炮打蚊子的感觉。依靠kernel强行把VC维提高，带来的噪声特别多，有用信息很少，并且kernal是有先验的，很容易被人设的参数带跑偏。这在实际业务数据中是非常致命的。
2.理论上LR+完美的特征工程可以很强，但是太难了，又不是人人都是特征工程大师。早期凤巢亿级特征跑LR效果特别好逐渐成为传说。
说了那么多，那么我们到Q4.怎么根据数据特点进行模型选型？
前面讲了很多了，大概可以从这4方面来的。A.数据量大小 B.数据到预测目标的非线性C.单列数据可解释性D.特征工程天花板高低
XGB/LGB/CTB在最后两个上很有优势。NN在前两个方面很有优势。
Q5.近三年，有哪些非CV和NLP，Speech的比赛上印证了NN和GBDT的江湖地位之争
NN胜出的比赛
第一个
Google Brain - Ventilator Pressure Prediction
这个比赛是医学数据，表结构。干的事情是根据呼吸机的呼吸阀百分比来预测压力。
Transfoermer+特征工程在排行榜上单模型可以杀到金牌。
示例代码：
TensorFlow Transformer - [0.112]
第二个
Riiid Answer Correctness Prediction
这个题目是根据学生历史学习情况，预测做题表现。
Transfoermer+特征工程胜出。
示例代码：
Riiid LGBM bagging2 + SAKT =0.781
GBDT完胜的比赛。
这部分就比较多了，不详细介绍了。
IEEE-CIS Fraud Detection | Kaggle
Elo Merchant Category Recommendation
Home Credit Default Risk
后话
好风凭借力，送我上青云。
力，就是人的主观能动性。
风，是模型本身的潜力。
风好不好，要看具体的问题。主观能动性的力量很强，但也是有天花板的。
在合适的问题上，选择合适的模型，发挥你的主观能动性。
这大概也是大部分问题的解决方式吧。
往期精彩回顾 本站qq群955171419，加入微信群请扫码：