未卜先知、研判吉凶一直是人类自古以来孜孜以求的一种向往。时至今日，随着消费升级带来的市场竞争和产业模式的转型，企业也越来越希望在预测能力上能有更好的提升。做预测分析时，通常会使用时间序列算法或回归模型。时间序列算法在做预测分析时，只考虑了数据在时序上的规律，而忽略了相关的影响因素，适用于比较简单的预测分析场景。在情况比较复杂的情况下，需要考虑到相关因素的影响时，则需要考虑用回归方法做预测分析。
纵览近几年在预测分析领域的学术研究成果，GBDT（Gradient Boosting Decision Tree，梯度提升决策树）算法作为机器学习算法的一种，跃然成为众多研究机构和学者积极推荐的预测分析算法，并且结合Hadoop平台取得了很好的性能表现和预测准确度。主要的应用方向有如下方面：
①故障预测分析
②欺诈预测分析
③搜索引擎用户体验提升
④视频流媒体服务体验提升
⑤个人征信
在商业应用中，需要用到机器学习技术做预测分析的场景还有很多。面对大量的数据，如何更好利用GBDT进行分析预测是个极大的应用挑战，本文将会围绕基于GBDT算法探讨如何实现预测分析的创新模式，帮助企业实现大数据预测分析的应用普及。
GBDT算法简介
GBDT的算法最初是由Leo Breiman[1] 在1997年提出的，1999年Jerome H. Friedman将GBDT算法用于回归分析[2][3]。随后几年，陆续有学者对GBDT回归算法进行了改进和优化，GBDT在回归问题中取得了很好的效果。陈天奇博士还根据GBDT多年的发展，对GBDT进行修改和优化，得到了XGboost算法[4]。在Apache Spark的Mllib库中也整合了GBDT回归算法，可以方便地在Spark平台上使用GBDT做回归预测分析。
GBDT的原理是利用梯度下降学习出多个弱学习器，组合产生一个强学习器。假设初始得到的学习器是公式1，其中 指的是模型 的损失函数， 是训练集，特征 对应的结果是 。初始化模型可以使用决策树算法，也可以使用最小二乘法。初始化模型是根据当前数据，使得损失函数最小的模型。
(公式1)
设定迭代次数是M，那么GBDT算法就是要根据公式1，使用梯度下降算法通过M次迭代后得到的优化模型。下面简单分析下，第一次迭代的得到 的过程。
第一步，计算梯度：
分别对 计算梯度，梯度如公式2所示。
(公式2)
第二步，训练一个基学习器，根据训练集特征可以计算得到梯度：
使用特征和梯度 作为训练集，训练学习器，得到 。使用的训练算法可以是决策树算法，也可以是最小二乘法。
第三步，寻找合适的步长：
在梯度下降算法中，需要用步长确定梯度下降的速度，步长是自己指定的，在GBDT算法中用到的梯度下降，步长是通过计算得到的。计算的规则是使得到的新学习器 损失函数值最小数。
(公式3)
第四步，根据梯度和步长，迭代得到模型 ，如公式4所示。
（公式4）
通过上面四个步骤，利用梯度下降算法，可以从初始模型 优化得到第二个模型 。迭代操作以上四个步骤M-1次，就可以得到最终的GBDT模型。GBDT模型就是这样由多个弱学习器组合而成的。
简而言之，GBDT是一种迭代的决策树算法，该算法由多棵决策树持续迭代而成，这个迭代过程就是一个机器学习的过程，直至所有树的结论和残差等于或趋近于0为止，进而得到一个高准确度的预测模型。
基于GBDT的传统数据科学家工作模式
在使用GBDT算法进行预测分析之前，首先需要对原始的数据进行数据预处理，然后才可以使用处理好的数据进行预测分析。
2.1 数据预处理
拿到数据的第一件事情就是对数据进行预处理，将原始数据处理成可以分析的形式。数据预处理一般包括特征提取、数据清洗、标准化等操作。
①特征提取
特征提取是根据要预测的内容，选择可能会影响到预测结果的特征，在不同的问题中需要提取的特征是不一样的。
比如想要预测下个月猪肉的平均价格，通过分析影响猪肉价格的特征可能有“生猪个数”、“玉米价格”、“豆粕价格”、“是否包含节假日”、“猪类疾病”等。如果原始数据中包含这些特征值，那么直接将这些特征选取出来；如果数据中没有这些特征，但是可以计算得到，那就通过计算来获取这些特征，提取完特征后进行数据处理。
再比如想要预测下个月书店里某本书的下个月的销量，通过分析影响该书店某本书销量的因素可能有“该书店上个月该书的月销量”、“该书去年同一时间该书的月销量”、“该书的作者影响力”、“该书所属出版社的影响力”等。如果原始数据中包含这些特征值，那么直接将这些特征选取出；如果数据中没有这些特征，但是可以计算得到，那就通过计算来获取这些特征，提取完特征后进行数据处理。
②数据清洗
在完成了特征提取之后，并不能将数据直接用于计算，很多情况下需要对数据进行一些基本的处理。这些基本的处理包括缺失值的处理、非数字形式的特征值处理、异常值的处理等等。
缺失值可以根据项目需要采取多种方式进行处理。最简单的方法是补充一个统一的值，显然这样的方法在大多数情况下不是很好。还可以通过相关的特征值计算得到缺失位置的数值，然后补充该值。对于缺失值，在有必要的情况下，还可以专门训练一个模型，预测缺失位置的数值。在某些情况下，也可以不处理缺失值。
如果特征值不是数值形式的，需要首先进行转化，将取值转成数值形式。转化的方式有很多种，可以根据相关的数值特征计算得到该特征的数值，也可以用枚举的方法为不同取值分别赋值。
不可避免的在原始数据中会在一些异常值，在数据预处理中需要能够检测到异常值，并做相应的处理。可以选择直接过滤掉异常值，也可以对异常值进行修正。
③标准化
标准化在很多情况下是一个很重要的步骤，其目的是将各种各样的特征进行归一化处理。直接选取和计算出的特征取值范围往往很不规则，标准化能解决这些不规则的问题。
2.2 模型调用
对数据进行预处理之后，就需要使用GBDT模型对预处理好的数据进行拟合。回归模型是用一个模型拟合已有的数据，在得到这样的模型之后，如果知道想要预测数据的特征，就可以通过特征预测出目标值了。
如果你的编程能力足够好，完全可以自己动手写自己的GBDT模型。不过目前已经有很多成熟的GBDT代码，可以直接使用。
如果不需要在Spark平台上运行程序，可以使用Python语言直接调用Scikit-learn中的GradientBoostingRegressor包。如果需要在Spark平台上运行程序，则可以直接调用Apache Spark Mllib中包装好的GBTRegressor。借助这些已经存在的库，可以很容易地调用GBDT回归算法。同时根据上面介绍的GBDT算法的原理，数据科学家会基于对GBDT算法中各个参数的理解，对模型进行调参。
经过上述操作，可以实际得到一个GBDT回归模型。
2.3 基于GBDT的预测示例
问题：预测书店里每本书在2017年12月份的月销量
数据：书店中2017年12月之前的所有销售数据，书店里每本书的基本信息
图1 数据的简单处理之后的形式
对原始的数据进行简单的预处理之后，得到图1中的数据形式。第一行是每一列数据的含义，之后的每一行是书的月销量以及影响月销量的特征。其中第二列是书的月销量，第三列及之后的列是影响书的月销量的相关特征（其中第三列是书的历史总销量，第四列是书所属作者所著所有书的历史总销量，第五列是书所属出版出版的所有书的历史总销量，书的标价，……）。从中可以看出，不同特征的取值范围差异很大，因此对数据进行归一化操作是有必要的。
在训练模型时，需要将数据分为训练集和测试集两个部分。在这里，将2017年11月之前的数据当做训练集，将2017年11月的数据当做测试集，通过这种方式对模型进行调参和训练，得到更优化的模型，使得模型的预测能力更好。
图2 2017年11的实际月销量和预测月销量对比图
图2是2017年11月的月销量预测结果和实际结果的对比。其中横坐标是书本的编号，纵坐标是书的月销量。从图中可以看出，预测的月销量和实际月销量是很相近。
基于GBDT的业务驱动创新应用模式
3.1 平民化一键完成GBDT分析
在实际的企业应用中，预测分析的场景有很多，除了案例中介绍的可以预测图书的月销量之外，还可以预测股票的价格、预测某种蔬菜的价格、预测景区人流量、预测高速路某断路的车流量、预测餐厅的就餐人数、预测服装店的月销售量等等，基本的覆盖了所有的预测分析案例。
尽管预测分析的应用场景很多，但是将GBDT算法应用到实际场景中却很难。很多企业并没有雇佣数据科学家，普遍缺乏使用GBDT算法做预测分析能力，但是却有预测分析方面的普遍需求。另外，这个应用过程还需要选择合适的特征数据，需要对数据进行预处理，如果数据量过多，还需要考虑Spark部署和Spark编程等等。
综合上述，企业预测需求和能力短板之间的差距，用友分析云基于GBDT算法进行预测分析应用方面有了创新应用模式，力求让所有企业能够普及使用这个强大的机器学习预测工具。
使用用友分析云，不需要做数据预处理工作，也不需要动手写代码，就可以使用GBDT算法进行预测分析，所有的这些工作，用友分析云会在后台的Spark平台上进行分布式计算，帮助企业方便、快捷、高效地将GBDT算法应用到需要的大样本数据分析场景中。
在用友分析云中，可以将数据导入用友分析云的数据集中，用友分析云会在后台做一些数据预处理的操作。接下来只需要将影响月销量的特征拖拽进维度里，将需要预测的列名拖拽进指标里，分析云就可以帮助企业使用GBDT回归算法对指标列的内容进行预测。图3是在分析云中预测生成的，对某书店的书“海底两万里”的月销量的高准确度预测结果。用友分析云可以帮助企业轻松地做预测分析。
图3 分析云中预测书店中“海底两万里”的月销量
3.2 基于算法竞争的模型优化
用友分析云中的预测分析，除了使用GBDT算法外，还使用了时间序列算法。GBDT算法做预测分析时考虑到一些影响目标值的因素，而时间序列主要考虑到数据在时序上的一些规律，忽略了其他因素对目标值的影响。这两种算法在实际应用中刚好互补。如果原始数据中包含足够的数据特征，通常情况下使用GBDT回归做预测分析效果会比时间序列更好。如果原始数据缺乏特征信息，使用时间序列进行预测反而很好。
在用友分析云中，同时使用了时间序列和GBDT回归算法做预测分析。用友分析云会自动将数据分为训练集和测试集两部分，分别使用GBDT回归算法和时间序列算法在训练集上训练模型，并使用测试集对模型进行调优。在具体使用时，用户不用关心具体选用底层实现，只需要在界面上进行简单的拖拽，后台就会自动地帮用户选择合适的模型进行预测分析，并将结果用图形界面显示出来。
总结
在数据量日益递增的今天，对数据进行预测分析是很有必要的。本文介绍了GBDT算法的基本原理，讲述了如何在项目中使用GBDT算法进行预测分析，描述了在用友分析云中如何使用GBDT算法做预测分析，用友分析云将大数据预测分析简单化，为有预测分析需求的企业降低了使用门槛，让没有数据科学家的企业可以方便地使用大数据算法进行预测分析，推进机器学习在企业中的普及应用。
引用
[1] Breiman, L. “Arcing The Edge”. 1997
[2] Friedman, J. H. “Greedy Function Approximation: A Gradient Boosting Machine”. Annals of Stattistics, 2001 29(5):1189-1232
[3] Friedman, J. H. “Stochastic Gradient Boosting”. 1999
[4] Tianqi Chen and Carlos Guestrin. “XGBoost: A Scalable Tree Boosting System”. In 22nd SIGKDD Conference on Knowledge Discovery and Data Mining, 2016
本文作者系 用友分析云专家 李谨秀 胡钢
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
