趋近智
精通梯度提升算法
章节 1: 梯度提升算法核心原理回顾
集成方法：回顾
决策树作为基学习器
加法模型框架
梯度下降基本原理
介绍梯度提升机 (GBM)
章节 2: 梯度提升算法详解
函数梯度下降
推导通用GBM算法
回归中常见的损失函数
分类任务的常用损失函数
收缩（学习率）的作用
抽样方法 (随机梯度提升)
使用 Scikit-learn 实现 GBM
实践：构建基础GBM模型
章节 3: 梯度提升中的正则化
提升算法中的过拟合问题
树结构限制：深度、节点和分裂
收缩作为隐式正则化
数据抽样 (随机梯度提升)
正则化目标函数 (L1/L2)
早停策略
动手实践：应用正则化
章节 4: XGBoost：极限梯度提升
GBM 的原理及优化
正则化学习目标
分裂查找算法：精确贪心
分割查找算法：近似贪婪算法
稀疏感知分裂查找
系统优化：缓存感知与并行处理
XGBoost API: 参数与配置
实践操作：实现XGBoost
章节 5: LightGBM：轻量级梯度提升机
动机：应对XGBoost的局限性
基于梯度的单侧采样 (GOSS)
独占特征捆绑 (EFB)
基于直方图的分裂点查找
逐叶式树生长
优化的类别特征处理
LightGBM API：参数与配置
动手实践：实现 LightGBM
章节 6: CatBoost：梯度提升决策树
动机：分类数据面临的难题
有序目标统计 (Ordered TS)
处理预测偏差：有序提升
处理特征组合
遗忘树
GPU训练加速
CatBoost API: 参数与配置
动手实践：实现 CatBoost
章节 7: 高级主题与定制
使用SHAP理解模型可解释性
梯度提升模型的TreeSHAP
全局解释与局部解释
分类的概率校准
实现自定义损失函数
实现自定义评估指标
使用提升算法处理不平衡数据集
实践：自定义目标与 SHAP
章节 8: 超参数优化策略
超参数调优的重要性
识别重要的超参数
系统化调优：网格搜索与随机搜索
高级调优：贝叶斯优化
超参数优化框架 (Optuna, Hyperopt)
调优策略：从粗到细
调优的交叉验证策略
动手实践：使用 Optuna 进行进阶调优
章节 9: 梯度提升处理特定任务
使用梯度提升的排序学习
排序损失函数（成对、列表）
梯度提升在生存分析中的应用
生存分析目标函数 (Cox 比例风险模型)
使用梯度提升进行分位数回归
分位数损失函数实现
多输出梯度提升
实践：使用XGBoost实现排序
使用SHAP理解模型可解释性
这部分内容有帮助吗？
- A Unified Approach to Interpreting Model Predictions, Scott Lundberg, Su-In Lee, 2017 Advances in Neural Information Processing Systems 30 DOI: 10.48550/arXiv.1705.07874 - 提出了SHAP框架，统一了各种可解释性方法，并提供了基于Shapley值的理论保证。
- Consistent Individualized Feature Attribution for Tree Ensembles, Scott M. Lundberg, Gabriel G. Erion, Su-In Lee, 2018 arXiv preprint DOI: 10.48550/arXiv.1802.03888 - 介绍了TreeSHAP，一种用于计算梯度提升等树模型精确Shapley值的有效算法。
- SHAP: A unified approach to explain the output of any machine learning model (GitHub Repository), Scott Lundberg, Gabriel Erion, and Su-In Lee, 2024 - SHAP官方Python库，提供计算和可视化SHAP值的工具，适用于多种模型。
- Interpretable Machine Learning: A Guide for Making Black Box Models Explainable, Christoph Molnar, 2023 - 一本全面的在线书籍，涵盖了各种机器学习可解释性方法，包括关于SHAP的详细章节。