LR (邏輯回歸) 算法因其簡單有效，成為工業界最常用的算法之一。但 LR 算法是線性模型，不能捕捉到非線性信息，需要大量特征工程找到特征組合。為了發現有效的特征組合，Facebook 在 2014年介紹了通過 GBDT (Gradient Boost Decision Tree)+ LR 的方案 [1] (XGBoost 是 GBDT 的后續發展)。隨后 Kaggle 競賽實踐證明此思路的有效性 [2][3]。

1. XGBoost + LR 的原理

XGBoost + LR 融合方式原理很簡單。先用數據訓練一個 XGBoost 模型，然后將訓練數據中的實例給 XGBoost 模型得到實例的葉子節點，然后將葉子節點當做特征訓練一個 LR 模型。XGBoost + LR 的結構如下所示。

我***接觸到 XGBoost + LR 的時候，認為 XGBoost + LR 是嘗試自動替代特征工程的方法。深度學習在 CTR 領域便是在講述這樣的故事和邏輯:只需人工對原始特征進行簡單的變換，深度學習能取的比大量人工特征的 LR 好的效果。

2. XGBoost 葉子節點不能取代特征工程

為了驗證 XGBoost + LR 是嘗試自動替代特征工程的方法，還只是一種特征工程的方法，我們在自己業務的數據上做了一些實驗。下圖便是實驗結果，其中: “xgboost+lr1" 是 XGBoost 的葉子節點特征、原始屬性特征和二階交叉特征一起給 LR 進行訓練;"xgboost+lr2" 則只有葉子節點特征給 LR;"lr1" 是原始屬性特征和二階交叉特征; "lr2" 只有原始屬性特征。

從上面的實驗來看：1) "xgboost+lr2" 明顯弱于 "lr1" 方法，說明只用葉子節點特征的 XGBoost + LR 弱于有特征工程的 LR 算法。即 XGBoost 葉子節點不能取代特征工程，XGBoost + LR 無法取代傳統的特征工程。2) "xgboost+lr1" 取得了所有方法中的***效果，說明了保留原來的特征工程 XGBoost + LR 方法擁有比較好的效果。即 XGBoost 葉子節點特征是一種有效的特征，XGBoost + LR 是一種有效的特征工程手段。

上面的實驗結果和我同事二哥之前的實驗結果一致。在他實驗中沒有進行二階交叉的特征工程技巧，結果 XGBoost > XGBoost + LR > LR，其中 XGBoost +LR 類似我們的 "xgboost+lr2" 和 LR 類似于我們的 "lr2"。

3. 強大的 XGBoost

只用 XGBoost 葉子節點特征， XGBoost + LR 接近或者弱于 XGBoost 。在下圖中，我們發現 XGBoost 的每個葉子節點都有權重 w, 一個實例的預測值和這個實例落入的葉子節點的權重之和有關。

如果二分類 XGBoost 使用了 sgmoid 做激活函數, 即參數為 "binary:logistic", 則 XGBoost 的最終預測值等于 sgmoid(葉子節點的權重之和)。而 LR 的最終預測值等于 sgmoid (特征對應的權重之后)。因此 LR 只要學到葉子節點的權重，即可以將 XGBoost 模型復現出來。因此理論上，如果 LR 能學到更好的權重，即使只有葉子節點特征的 XGBoost + LR 效果應該好于 XGBoost。

但是從上面的結果來看，XGBoost + LR 要接近或者弱于 XGBoost。XGBoost 賦予葉子節點的權重是很不錯的，LR 學到的權重無法明顯地超過它。

4. 總結

XGBoost +　LR 在工業和競賽實踐中，都取得了不錯的效果。但 XGBoost 的葉子節點不能完全替代人工特征， XGBoost + LR 并沒有像深度學習那樣試圖帶來自動特征工程的故事和邏輯。最終，XGBoost + LR 的格局沒有超越特征工程。

【本文為51CTO專欄作者“李立”的原創稿件，轉載請通過51CTO獲取聯系和授權】

戳這里，看該作者更多好文