版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
1、GBDT(Gradient Boosting Decision Tree)是一個應用廣泛、效果好的監(jiān)督式機器學習模型。它于2001年由Friedman提出,由決策樹(Decision Tree)和梯度提升(Gradient Boosting)組合而成。它在實踐中被證明是一個很高效的模型,被廣泛應用于搜索排序,廣告點擊率預測等,給工業(yè)界帶來了巨大的效果提升和收益。隨著互聯(lián)網(wǎng)時代的到來,更多的數(shù)據(jù)可以被獲取到。在機器學習中,更多的數(shù)據(jù)也意味
2、著更好的效果,所以,用大數(shù)據(jù)來訓練機器學習模型是很有必要的,但這給GBDT帶來了挑戰(zhàn)。首先GBDT的學習算法是一個中心化算法,需要把所有數(shù)據(jù)都加載在內(nèi)存中,當數(shù)據(jù)太大時,單個機器可能無法加載全部數(shù)據(jù),沒辦法進行學習。并且GBDT學習算法的復雜度和數(shù)據(jù)的大小有關,當數(shù)據(jù)很大時,學習會變得很慢。所以在大數(shù)據(jù)的場景下,對GBDT進行并行處理是非常有必要的。
本文的主要研究內(nèi)容是GBDT并行算法,解決在大數(shù)據(jù)場景下,GBDT并行遇到的
3、問題和挑戰(zhàn)。本文首先介紹了關于GBDT的算法及其優(yōu)化的一些算法,給出了詳細的算法和理論分析;接著調(diào)研了現(xiàn)有GBDT的并行算法,按種類可以分為葉子并行(Leaf Parallelization)、特征并行(Feature Parallelization)和數(shù)據(jù)并行(Data Parallelization)。在對這些算法進行詳細的研究后,發(fā)現(xiàn)這些并行算法都存在著不足:葉子并行受到內(nèi)存限制,且通信量太大;特征并行無法并行整個學習過程;數(shù)據(jù)并
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 決策樹算法應用及并行化研究.pdf
- 基于梯度提升決策樹與深度信念網(wǎng)絡融合的推薦算法研究.pdf
- 決策樹學習及其剪枝算法研究.pdf
- 示例學習的決策樹算法研究.pdf
- 決策樹分類算法的并行化研究及其應用.pdf
- 基于隨機梯度提升決策樹的行人檢測算法設計與實現(xiàn).pdf
- 基于梯度提升決策樹的肽碎片離子強度建模.pdf
- 基于Hadoop的決策樹分類算法的并行化研究.pdf
- 機器學習決策樹算法id3
- 基于MapReduce的并行決策樹分類算法研究與實現(xiàn).pdf
- 基于并行化的決策樹算法優(yōu)化及其應用研究.pdf
- 基于決策樹的分類算法的并行化研究及應用.pdf
- 基于粗糙集的決策樹學習算法研究.pdf
- 代價敏感決策樹算法研究.pdf
- 決策樹分類算法優(yōu)化研究.pdf
- 36395.基于hog特征和梯度提升決策樹算法的人臉關鍵點檢測技術研究
- 決策樹分類優(yōu)化算法的研究.pdf
- 決策樹分類及剪枝算法研究.pdf
- 決策樹分類算法及其應用.pdf
- 商品推薦的決策樹算法.pdf
評論
0/150
提交評論