Qu’est-ce que XGBoost ?

Développée par Tianqi Chen de l’Université de Washington, XGBoost est une implémentation avancée du boosting de gradient avec le même cadre général, c’est-à-dire qu’elle combine des arbres apprenants faibles à des arbres apprenants solides en additionnant les valeurs résiduelles. La bibliothèque est disponible pour C++, Python, R, Java, Scala et Julia¹.

Les arbres de décision sont utilisés pour les tâches de classification et de régression dans le machine learning. Ils utilisent une structure hiérarchique en arborescence dans laquelle un nœud interne représente une caractéristique, la branche représente une règle de décision­ et chaque nœud feuille représente le résultat du jeu de données.

Les arbres de décision étant sujets au surajustement, les méthodes d’ensemble, comme le boosting, peuvent souvent être utilisées pour créer des modèles plus robustes. Le boosting combine plusieurs arbres faibles individuels, c’est-à-dire des modèles légèrement plus précis qu’une prédiction aléatoire, pour former un apprenant solide. Chaque apprenant faible est entraîné de façon séquentielle pour corriger les erreurs commises par les modèles précédents. Après des centaines d’itérations, les apprenants faibles sont convertis en apprenants solides.

Les forêts d’arbres décisionnels et les algorithmes de boosting sont des techniques populaires d’apprentissage par ensemble qui utilisent des arbres apprenants individuels pour améliorer les performances prédictives. Les forêts d’arbres décisionnels sont basées sur le concept de « bagging » (bootstrap aggregating) et entraînent chaque arbre indépendamment pour combiner leurs prédictions, tandis que les algorithmes de boosting utilisent une approche additive où les apprenants faibles sont formés de façon séquentielle pour corriger les erreurs des modèles précédents.

Les arbres de décision à boosting de gradient sont un type d’algorithme de boosting qui utilise la descente de gradient. Comme d’autres méthodologies de boosting, le boosting de gradient commence par un apprenant faible pour faire des prédictions. Le premier arbre de décision dans le boosting de gradient est appelé l’apprenant de base.

Ensuite, de nouveaux arbres sont créés de manière additive en fonction des erreurs de l’apprenant de base. L’algorithme calcule ensuite les valeurs résiduelles des prédictions de chaque arbre pour déterminer dans quelle mesure les prédictions du modèle étaient éloignées de la réalité. Les valeurs résiduelles sont la différence entre les valeurs prédites et les valeurs réelles du modèle. Les valeurs résiduelles sont ensuite agrégées pour noter le modèle avec une fonction de perte.

Dans le machine learning, les fonctions de perte sont utilisées pour mesurer les performances d’un modèle. Le gradient dans les arbres de décision boostés par gradient fait référence à la descente de gradient. La descente de gradient permet de minimiser la perte (c’est-à-dire d’améliorer la performance du modèle) lorsque de nouveaux modèles sont entraînés.

La descente de gradient est un algorithme d’optimisation populaire utilisé pour minimiser la fonction de perte dans les problèmes de machine learning. Parmi les fonctions de perte, citons l’erreur quadratique moyenne ou l’erreur absolue moyenne pour les problèmes de regression, la perte d’entropie croisée pour les problèmes de classification, ou des fonctions de perte personnalisées développées pour un cas d’utilisation et un jeu de données spécifiques.

Vous trouverez ci-dessous une analyse de certaines des fonctionnalités de XGBoost en Python, qui le font se démarquer par rapport au paquet de boosting de gradient normal de scikit-learn² :

• Calcul parallèle et distribué : la bibliothèque stocke les données dans des unités de mémoire appelées blocs. Des blocs distincts peuvent être distribués entre les machines ou stockés sur une mémoire externe en utilisant l’informatique hors cœur. XGBoost permet également des cas d’utilisation plus avancés, tels que l’entraînement distribué sur un cluster d’ordinateurs pour accélérer les calculs. XGBoost peut également être mis en œuvre dans son mode distribué à l’aide d’outils comme Apache Spark, Dask ou Kubernetes.
  
  
• Algorithme de prérécupération conçu pour s’adapter au cache : XGBoost utilise un algorithme de prérécupération conçu pour s’adapter au cache, ce qui permet de réduire la durée d’exécution pour les grands jeux de données. La bibliothèque peut fonctionner plus de dix fois plus vite que les autres frameworks existants sur une seule machine. En raison de sa vitesse impressionnante, XGBoost peut traiter des milliards d’exemples en utilisant moins de ressources, ce qui en fait un système de boosting d’arbre évolutif.
  
  
• Régularisation intégrée : XGBoost inclut la régularisation dans l’objectif d’apprentissage, contrairement au boosting de gradient normal. Les données peuvent également être régularisées grâce au réglage des hyperparamètres. L’utilisation de la régularisation intégrée de XGBoost permet également à la bibliothèque de donner de meilleurs résultats que le package de boosting de gradient scikit-learn.
  
  
• Gestion des valeurs manquantes : XGBoost utilise un algorithme conçu pour traiter les données éparses, qui peut fonctionner avec des données manquantes. Lorsqu’une valeur est manquante dans le jeu de données, le point de données est classé dans la direction par défaut, et l’algorithme apprend la meilleure direction pour gérer les valeurs manquantes.

Dans cette section, nous verrons comment utiliser le paquet XGBoost, comment sélectionner des hyperparamètres pour le booster d’arbre XGBoost, comment XGBoost peut être comparé à d’autres implémentations de boosting et certains de ses cas d’utilisation.

En supposant que vous ayez déjà effectué une analyse exploratoire de vos données, continuez à partager vos données entre un jeu de données d’entraînement et un jeu de données de test. Ensuite, convertissez vos données au format DMatrix attendu par XGBoost.³ DMatrix est la structure de données interne de XGBoost, qui est optimisée pour l’efficacité de la mémoire et la vitesse d’entraînement⁴.

Ensuite, instanciez un modèle XGBoost et, selon votre cas d’utilisation, sélectionnez la fonction objective que vous souhaitez utiliser avec l’hyperparamètre « objet ». Par exemple, si vous avez une tâche de classification multiclasse, vous devez définir l’objectif sur « multi:softmax »⁵.

Si vous avez un problème de classification binaire, vous pouvez également utiliser l’objectif de regression logistique « binaire:logistic ». Vous pouvez maintenant utiliser votre jeu d’entraînement pour entraîner le modèle et prévoir les classifications pour les données mises de côté en tant qu’ensemble test. Évaluez la performance du modèle en comparant les valeurs prédites aux valeurs réelles du jeu de test.

Vous pouvez utiliser des indicateurs tels que l’exactitude, la précision, le rappel ou le score f-1 pour évaluer votre modèle. Vous pouvez également visualiser vos vrais positifs, vos vrais négatifs, vos faux positifs et vos faux négatifs à l’aide d’une matrice de confusion.

Ensuite, vous pouvez effectuer une itération à l’aide d’une combinaison d’hyperparamètres pour améliorer les performances de votre modèle. Le réglage des hyperparamètres est le processus d’optimisation des hyperparamètres d’un algorithme de machine learning. Les meilleurs hyperparamètres peuvent être trouvés à l’aide de méthodes de recherche par grille et de validation croisée, qui effectueront des itérations à travers un dictionnaire de combinaisons d’hyperparamètres possibles.

Vous trouverez ci-dessous une explication de certains des hyperparamètres disponibles pour optimiser les arbres à boosting de gradient dans XGBoost :

• Le taux d’apprentissage est l’hyperparamètre le plus important qui augmente le gradient. Dans la bibliothèque XGBoost, il est appelé « eta », doit être un nombre compris entre 0 et 1, et la valeur par défaut est de 0,3⁶. Le taux d’apprentissage détermine la vitesse à laquelle l’algorithme de boosting apprend de chaque itération. Une valeur d’eta plus faible signifie un apprentissage plus lent, car il réduit la contribution de chaque arbre dans l’ensemble, ce qui permet d’éviter le surajustement. Inversement, une valeur plus élevée d’eta accélère l’apprentissage, mais elle peut conduire à un surajustement si elle n’est pas soigneusement optimisée.
  
  
• L’hyperparamètre n_estimators spécifie le nombre d’arbres à élaborer dans l’ensemble. Chaque cycle de boosting ajoute un nouvel arbre à l’ensemble, et le modèle apprend lentement à corriger les erreurs commises par les arbres précédents. Le paramètre n_estimators dirige la complexité du modèle et influence à la fois le temps d’entraînement et la capacité du modèle à généraliser à des données invisibles. L’augmentation de la valeur de n_estimators augmente généralement la complexité du modèle, car elle permet au modèle de capturer des schémas plus complexes dans les données. Cependant, ajouter trop d’arbres peut conduire à un surapprentissage. D’une manière générale, à mesure que n_estimators augmente, le taux d’apprentissage doit diminuer.
  
  
• Le gamma (également connu sous le nom de multiplicateur de Lagrange ou paramètre de réduction minimale des pertes) contrôle le niveau minimal de réduction des pertes requis pour effectuer une nouvelle division sur le nœud d’une feuille de l’arbre. Une valeur inférieure signifie que XGBoost s’arrête plus tôt mais ne trouvera peut-être pas la meilleure solution ; tandis qu’une valeur plus élevée signifie que XGBoost continue à s’entraîner plus longtemps, trouvant potentiellement de meilleures solutions, mais avec un risque accru de surajustement. Il n’y a pas de limite supérieure pour le gamma. La valeur par défaut dans XGBoost est 0, et toute valeur supérieure à 10 est considérée comme élevée.
  
  
• Max_depth représente la profondeur de croissance de chaque arbre dans le processus de boosting pendant l’entraînement. La profondeur d’un arbre correspond au nombre de niveaux ou de divisions qu’il possède du nœud racine aux nœuds feuilles. L’augmentation de cette valeur rendra le modèle plus complexe et plus susceptible d’être surajusté. Dans XGBoost, la profondeur maximale par défaut est de 6, ce qui signifie que chaque arbre du modèle est autorisé à atteindre une profondeur maximale de 6 niveaux.

XGBoost est l’un des nombreux algorithmes de boosting open source disponibles. Dans cette section, nous comparerons XGBoost à trois autres frameworks de boosting :

1. XGBoost et AdaBoost
2. XGBoost et CatBoost
3. XGBoost et LightGBM

AdaBoost est un des premiers algorithmes de boosting inventé par Yoav Freund et Robert Schapire en 1995⁷. Dans AdaBoost, l’accent est mis sur les prévisions incorrectes grâce à un système de poids qui affectent les points de données les plus difficiles à prédire de manière plus prononcée. Tout d’abord, chaque point de données du jeu de données se voit attribuer un poids spécifique.

Comme les apprenants faibles prédisent correctement un exemple, le poids de l’exemple est réduit. Mais si les apprenants se trompent dans l’exemple, le poids de ce point de données augmente. Au fur et à mesure que de nouveaux arbres sont créés, leurs poids sont basés sur les erreurs de classification des arbres apprenants précédents.

À mesure que le nombre d’apprenants augmente, les échantillons faciles à prédire seront moins utilisés pour les apprenants futurs, tandis que les points de données plus difficiles à prévoir seront pondérés de manière plus importante. Le boosting de gradient et XGBoost ont tendance à être des alternatives plus sûres qu’AdaBoost en raison de leur précision et de leur rapidité.

CatBoost est un autre cadre de boosting de gradient. Développé par Yandex en 2017, il est spécialisé dans la gestion des caractéristiques catégorielles sans besoin de prétraitement et fonctionne généralement bien sans avoir à procéder à un réglage approfondi des hyperparamètres⁸. Comme XGBoost, CatBoost a intégré une prise en charge de la gestion des données manquantes. CatBoost est particulièrement utile pour les jeux de données qui comportent de nombreuses caractéristiques catégorielles. Selon Yandex, ce cadre est utilisé pour la recherche, les systèmes de recommandation, les assistants personnels, les voitures autonomes, la prévision météo et d’autres tâches.

LightGBM (« Light Gradient Boosting Machine ») est le dernier algorithme de boosting de gradient que nous allons examiner. Il a été développé par Microsoft et publié pour la première fois en 2016⁹. Là où la plupart des algorithmes d’apprentissage par arbres de décision développent des arbres en profondeur, LightGBM utilise une stratégie de croissance des arbres par feuilles¹⁰. Comme XGBoost, LightGBM présente une vitesse d’entraînement de modèle rapide, une bonne précision et fonctionne bien avec de grands jeux de données.

XGBoost et les arbres de décision boostés par gradient sont utilisés dans diverses applications de science des données, notamment :

• Apprendre à classer : l’un des cas d’utilisation les plus populaires de l’algorithme XGBoost est celui de classificateur (« ranker »). Dans la recherche d’information, l’objectif d’apprendre à classer est de proposer aux utilisateurs des contenus classés par pertinence. Dans XGBoost, le XGBRanker est basé sur l’algorithme LambdaMART11.
  
  
• Prédiction du taux de clics sur les publicités : les chercheurs ont utilisé un modèle formé par XGBoost pour déterminer la fréquence des clics sur les publicités en ligne sur la base de 10 jours de données sur le taux de clics. L’objectif de l’étude était de mesurer l’efficacité des publicités en ligne et d’identifier celles qui fonctionnaient bien¹².
  
  
• Prévision des ventes en magasin : XGBoost peut être utilisé à des fins de modélisation prédictive, comme le montre cet article où les ventes de 45 magasins Walmart ont été prédites à l’aide d’un modèle XGBoost¹³.
  
  
• Classification des logiciels malveillants : en utilisant un classificateur XGBoost, les ingénieurs de l’Université technique de Košice ont pu classer les logiciels malveillants avec précision, comme le montre cet article¹⁴.
  
  
• Compétitions Kaggle : XGBoost est un algorithme populaire gagnant lors des compétitions Kaggle, comme indiqué sur la page de DMLC (« Distributed (Deep) Machine Learning Community »), qui présente une liste des récents lauréats des compétitions Kaggle qui ont utilisé XGBoost pour leurs contributions¹⁵.