机器学习模型迭代方法(总结)

[aialgorithm]

模型迭代方法

机器学习模型在实际应用的场景，通常要根据新增的数据下进行模型的迭代，常见的模型迭代方法有以下几种：

• 1、全量数据重新训练一个模型，直接合并历史训练数据与新增的数据，模型直接离线学习全量数据，学习得到一个全新的模型。 优缺点：这也是实际最为常见的模型迭代方式，通常模型效果也是最好的，但这样模型迭代比较耗时，资源耗费比较多，实时性较差，特别是在大数据场景更为困难；

• 2、模型融合的方法，将旧模型的预测结果作为一个新增特征，在新的数据上面训练一个新的模型；优缺点：训练耗时较短了，增加决策的复杂度，新增数据量要足够多才能保证融合效果；

• 3、增量（在线）学习的方法，如sklearn中算法可调用partial_fit直接增量学习，可以直接利用新增的数据在原来的模型的基础上做进一步更新。增量学习对于模型迭代是很有效率的（特别适用于神经网络的学习，如 arxiv.org/abs/1711.03705）。实际使用中，在线学习和离线的全量学习经常是结合使用，比如离线以全量数据训练一个复杂的模型，在线利用新增样本进行微调。优缺点：对内存友好，模型迭代快且效率较高；

二、增量学习

主流的几种机器学习框架，已经实现了增量学习的功能，像sklearn可以直接调用partial_fit做增量学习，神经网络增量学习也很方便，如下tensorflow.keras框架实现增量学习：

# tensorflow.keras增量学习
model_path = 'init.model' #加载线上的原模型
loaded_model = tf.keras.models.load_model(model_path)
# 新数据上接着训练原模型
history = loaded_model.fit(
    train_data_gen,
    epochs=epochs
)

本文主要对树模型的增量（在线）学习展开介绍，如下以树模型lightgbm及xgboost增量学习金融违约的分类模型为例，验证实际的效果。
示例沿用之前文章的数据集：一文梳理金融风控建模全流程(Python)）

开始之前，我们先把数据划分为训练集及测试集，测试集数据仅做评估。接着训练数据再划分为两部分:旧训练数据，新训练数据集。以此验证用增量学习方法进行学习新数据集的效果

# 划分数据集：训练集和测试集
train_x, test_x, train_y, test_y = train_test_split(train_bank[num_feas + cate_feas], train_bank.isDefault,test_size=0.3, random_state=0)

# 训练集再划分新旧的训练集，新的训练集用增量学习方法进行学习
trainold_x, trainnew_x, trainold_y, trainnew_y = train_test_split(train_x, train_y,test_size=0.5, random_state=0)

lgb_train = lgb.Dataset(trainold_x, trainold_y)
lgb_newtrain = lgb.Dataset(trainnew_x, trainnew_y)
lgb_eval = lgb.Dataset(test_x,test_y, reference=lgb_train)

训练原始的lightgbm模型，评估模型效果还算不错：train {'AUC': 0.8696629477540933, 'KS': 0.6470059543871476}
test {'AUC': 0.8458304576799567, 'KS': 0.6284431987999525}

# 参数
params = {
    'task': 'train',
    'boosting_type': 'gbdt',  # 设置提升类型
    'objective': 'binary',  # 目标函数
    'metric': {'l2', 'auc'},  # 评估函数
    'num_leaves': 12,  # 叶子节点数
    'learning_rate': 0.05,  # 学习速率
    'feature_fraction': 0.9,  # 建树的特征选择比例
    'bagging_fraction': 0.8,  # 建树的样本采样比例
    'verbose': 1  
}
 
# 模型训练
gbm = lgb.train(params, lgb_train, num_boost_round=1)

print('train ',model_metrics(gbm,trainold_x, trainold_y))
print('test ',model_metrics(gbm,test_x,test_y))
# 树模型决策的可视化


# 需要先安装https://graphviz.org/download/
import os
os.environ["PATH"] += os.pathsep + 'D:/Program Files/Graphviz/bin/'

for k in range(1):
    ax = lgb.plot_tree(gbm, tree_index=k, figsize=(30,20), show_info=['split_gain','internal_value','internal_count','internal_weight','leaf_count','leaf_weight','data_percentage'])
plt.show()

打印出原始树模型的结构如下：

接下来就是本文的重点了，增量学习新的lightgbm树模型，我们在原有gbm模型的基础上继续更新模型为gbm2。

其实，lightgbm增量学习的更新方式其实就是原有模型的树结构都不变的基础上，继续添加学习一些树，比如如下代码我们会继续训练出2棵新的树，

num_boost_round = 2  # 继续训练2颗树
gbm2 = lgb.train(params,
                lgb_newtrain,  #新的数据
                num_boost_round=num_boost_round ,
                init_model=gbm,             #在原模型gbm的基础上接着训练
                verbose_eval=False,
                keep_training_booster=True) # 支持模型增量训练

从增量学习后的树模型的结构，可以看出原有树模型gbm结构一点都没有变，只是再后面更新了2棵新的树。验证增量学习更新后的模型效果，测试集的auc是有提升1%左右的（注：本例无考虑调参下的效果差异，仅从效果来看是还不错的~）

这时就有个疑问了，树模型的增量学习只有像类似“打补丁”的更新方式吗，不能通过更新下旧模型的叶子节点的权重？

其实，这两种增量学习方法，树模型可以有的，但是对于lightgbm我没有找到支持的方法，有兴趣的同学可以再了解下。。如下为XGBOOST实现两种增量学习的方法

###  xgbooost 增量学习  https://xgboost.readthedocs.io/en/latest/parameter.html
import xgboost as xgb
import pprint

xgb_params_01 = {}
# 增量学习的方法一
xgb_params_02 = {'process_type': 'default', # default, update
                 'refresh_leaf': True}  # 当前迭代树的结构不变，并在此增加新树
# 增量学习的方法二
xgb_params_02 = {'process_type': 'update', # default, update
                 'updater': 'refresh',  # 也可以选择再当前模型做剪枝
                 'refresh_leaf': True}  # 仅重新更新模型的叶节点权重，

dtrain_2class = xgb.DMatrix(train_x[num_feas], label=train_y,enable_categorical=True)
gbdt = xgb.train(xgb_params_01, dtrain_2class, num_boost_round=1) # 旧模型
pprint.pprint(gbdt.get_dump())
gbdt = xgb.train(xgb_params_02, dtrain_2class, num_boost_round=2, xgb_model=gbdt) # 更新模型
pprint.pprint(gbdt.get_dump())