機(jī)器學(xué)習(xí)

Author：louwill

Machine Learning Lab

? ? ?

雖然現(xiàn)在深度學(xué)習(xí)大行其道，但以XGBoost、LightGBM和CatBoost為代表的Boosting算法仍有其廣闊的用武之地。拋開(kāi)深度學(xué)習(xí)適用的圖像、文本、語(yǔ)音和視頻等非結(jié)構(gòu)化的數(shù)據(jù)應(yīng)用，Boosting算法對(duì)于訓(xùn)練樣本較少的結(jié)構(gòu)化數(shù)據(jù)領(lǐng)域仍然是第一選擇。本文先對(duì)前述章節(jié)的三大Boosting的聯(lián)系與區(qū)別進(jìn)行簡(jiǎn)單闡述，并一個(gè)實(shí)際數(shù)據(jù)案例來(lái)對(duì)三大算法進(jìn)行對(duì)比。然后對(duì)常用的Boosting算法超參數(shù)調(diào)優(yōu)方法進(jìn)行介紹，包括隨機(jī)調(diào)參法、網(wǎng)格搜索法和貝葉斯調(diào)參法，并給出相應(yīng)的代碼示例。

三大Boosting算法對(duì)比

首先，XGBoost、LightGBM和CatBoost都是目前經(jīng)典的SOTA（state of the art）Boosting算法，都可以歸類到梯度提升決策樹(shù)算法系列。三個(gè)模型都是以決策樹(shù)為支撐的集成學(xué)習(xí)框架，其中XGBoost是對(duì)原始版本的GBDT算法的改進(jìn)，而LightGBM和CatBoost則是在XGBoost基礎(chǔ)上做了進(jìn)一步的優(yōu)化，在精度和速度上都有各自的優(yōu)點(diǎn)。

三大模型的原理細(xì)節(jié)我們本文不做敘述，可參考【原創(chuàng)首發(fā)】機(jī)器學(xué)習(xí)公式推導(dǎo)與代碼實(shí)現(xiàn)30講.pdf。那么這三大Boosting算法又有哪些大的方面的區(qū)別呢？主要有兩個(gè)方面。第一個(gè)是三個(gè)模型樹(shù)的構(gòu)造方式有所不同，XGBoost使用按層生長(zhǎng)（level-wise）的決策樹(shù)構(gòu)建策略，LightGBM則是使用按葉子生長(zhǎng)（leaf-wise）的構(gòu)建策略，而CatBoost使用了對(duì)稱樹(shù)結(jié)構(gòu)，其決策樹(shù)都是完全二叉樹(shù)。第二個(gè)有較大區(qū)別的方面是對(duì)于類別特征的處理。XGBoost本身不具備自動(dòng)處理類別特征的能力，對(duì)于數(shù)據(jù)中的類別特征，需要我們手動(dòng)處理變換成數(shù)值后才能輸入到模型中；LightGBM中則需要指定類別特征名稱，算法即可對(duì)其自動(dòng)進(jìn)行處理；CatBoost以處理類別特征而聞名，通過(guò)目標(biāo)變量統(tǒng)計(jì)等特征編碼方式也能實(shí)現(xiàn)類別特征的高效處理。

下面我們以kaggle 2015年航班延誤數(shù)據(jù)集為示例，分別用XGBoost、LightGBM和CatBoost模型進(jìn)行實(shí)驗(yàn)。圖1是flights數(shù)據(jù)集簡(jiǎn)介。

圖2?flights數(shù)據(jù)集

該數(shù)據(jù)集完整數(shù)據(jù)量有500多萬(wàn)條航班記錄數(shù)據(jù)，特征有31個(gè)，僅作演示用的情況下，我們采用抽樣的方式從原始數(shù)據(jù)集中抽樣1%的數(shù)據(jù)，并篩選11個(gè)特征，經(jīng)過(guò)預(yù)處理后重新構(gòu)建訓(xùn)練數(shù)據(jù)集，目標(biāo)是構(gòu)建對(duì)航班是否延誤的二分類模型。數(shù)據(jù)讀取和簡(jiǎn)單預(yù)處理過(guò)程如代碼1所示。

代碼1 數(shù)據(jù)處理

# 導(dǎo)入pandas和sklearn數(shù)據(jù)劃分模塊 import pandas as pd from sklearn.model_selection import train_test_split # 讀取flights數(shù)據(jù)集 flights = pd.read_csv('flights.csv') # 數(shù)據(jù)集抽樣1% flights = flights.sample(frac=0.01, random_state=10) # 特征抽樣，獲取指定的11個(gè)特征 flights = flights[["MONTH", "DAY", "DAY_OF_WEEK", "AIRLINE", "FLIGHT_NUMBER","DESTINATION_AIRPORT", "ORIGIN_AIRPORT","AIR_TIME", "DEPARTURE_TIME", "DISTANCE", "ARRIVAL_DELAY"]] # 對(duì)標(biāo)簽進(jìn)行離散化，延誤10分鐘以上才算延誤 flights["ARRIVAL_DELAY"] = (flights["ARRIVAL_DELAY"]>10)*1 #?類別特征 cat_cols?=?["AIRLINE",?"FLIGHT_NUMBER",?"DESTINATION_AIRPORT", "ORIGIN_AIRPORT"] #?類別特征編碼 for?item?in?cat_cols:flights[item]?=?flights[item].astype("category").cat.codes?+1# 數(shù)據(jù)集劃分 X_train,?X_test,?y_train,?y_test?=?train_test_split(flights.drop(["ARRIVAL_DELAY"],?axis=1),flights["ARRIVAL_DELAY"], random_state=10, test_size=0.3) # 打印劃分后的數(shù)據(jù)集大小 print(X_train.shape,?y_train.shape,?X_test.shape,?y_test.shape)

輸出：

(39956, 10) (39956,) (17125, 10) (17125,)

在代碼1中，我們先讀取了flights原始數(shù)據(jù)集，因?yàn)樵紨?shù)據(jù)集量太大，我們對(duì)其進(jìn)行抽樣1%，并篩選了11個(gè)特征，構(gòu)建有57081條1、11個(gè)特征的航班記錄數(shù)據(jù)集。然后對(duì)抽樣數(shù)據(jù)集進(jìn)行簡(jiǎn)單的預(yù)處理，先對(duì)訓(xùn)練標(biāo)簽進(jìn)行二值離散化，延誤大于10分鐘的轉(zhuǎn)化為1（延誤），延誤小于10分鐘的轉(zhuǎn)化為0（不延誤），然后對(duì)“航線”、“航班號(hào)”、“目的地機(jī)場(chǎng)”、“出發(fā)地機(jī)場(chǎng)”等類別特征進(jìn)行類別編碼處理。最后劃分?jǐn)?shù)據(jù)集，得到有39956條訓(xùn)練樣本，17125條測(cè)試樣本。

XGBoost

下面我們開(kāi)始來(lái)測(cè)試三個(gè)模型在該數(shù)據(jù)集上的效果。先來(lái)看XGBoost，如代碼2所示。

代碼2?XGBoost

# 導(dǎo)入xgboost模塊 import xgboost as xgb # 導(dǎo)入模型評(píng)估auc函數(shù) from sklearn.metrics import roc_auc_score # 設(shè)置模型超參數(shù) params = {'booster': 'gbtree','objective': 'binary:logistic', 'gamma': 0.1,'max_depth': 8,'lambda': 2,'subsample': 0.7,'colsample_bytree': 0.7,'min_child_weight': 3,'eta': 0.001,'seed': 1000,'nthread': 4, } # 封裝xgboost數(shù)據(jù)集 dtrain = xgb.DMatrix(X_train, y_train) # 訓(xùn)練輪數(shù)，即樹(shù)的棵數(shù) num_rounds = 500 # 模型訓(xùn)練 model_xgb = xgb.train(params, dtrain, num_rounds) # 對(duì)測(cè)試集進(jìn)行預(yù)測(cè) dtest = xgb.DMatrix(X_test) y_pred = model_xgb.predict(dtest) print('AUC?of?testset?based?on?XGBoost:?',?roc_auc_score(y_test,?y_pred))

輸出：

AUC of testset based on XGBoost: 0.6845368959487046

在代碼15-2中，我們測(cè)試了XGBoost在flights數(shù)據(jù)集上的表現(xiàn)，導(dǎo)入相關(guān)模塊并設(shè)置模型超參數(shù)，便可基于訓(xùn)練集進(jìn)行XGBoost模型擬合，最后將訓(xùn)練好的模型用于測(cè)試集預(yù)測(cè)，可得到測(cè)試集AUC為0.6845。

LightGBM

LightGBM在flights數(shù)據(jù)集上的測(cè)試過(guò)程如代碼3所示。

代碼3?LightGBM

# 導(dǎo)入lightgbm模塊 import lightgbm as lgb dtrain = lgb.Dataset(X_train, label=y_train) params = { "max_depth": 5, "learning_rate" : 0.05, "num_leaves": 500, "n_estimators": 300 }# 指定類別特征 cate_features_name = ["MONTH","DAY","DAY_OF_WEEK","AIRLINE", "DESTINATION_AIRPORT", "ORIGIN_AIRPORT"]# lightgbm模型擬合 model_lgb = lgb.train(params, d_train, categorical_feature = cate_features_name)# 對(duì)測(cè)試集進(jìn)行預(yù)測(cè) y_pred = model_lgb.predict(X_test) print('AUC?of?testset?based?on?XGBoost:?'roc_auc_score(y_test,?y_pred))

輸出：

AUC of testset based on XGBoost: 0.6873707383550387

在代碼3中，我們測(cè)試了LightGBM在flights數(shù)據(jù)集上的表現(xiàn)，導(dǎo)入相關(guān)模塊并設(shè)置模型超參數(shù)，便可基于訓(xùn)練集進(jìn)行LightGBM模型擬合，最后將訓(xùn)練好的模型用于測(cè)試集預(yù)測(cè)，可得到測(cè)試集AUC為0.6873，跟XGBoost效果差不多。

CatBoost

CatBoost在flights數(shù)據(jù)集上的測(cè)試過(guò)程如代碼4所示。

代碼4?CatBoost

# 導(dǎo)入lightgbm模塊 import catboost as cb # 類別特征索引 cat_features_index = [0,1,2,3,4,5,6] # 創(chuàng)建catboost模型實(shí)例 model_cb?=?cb.CatBoostClassifier(eval_metric="AUC",one_hot_max_size=50,?depth=6,?iterations=300,?l2_leaf_reg=1,learning_rate=0.1) # catboost模型擬合 model_cb.fit(X_train, y_train, cat_features=cat_features_index) # 對(duì)測(cè)試集進(jìn)行預(yù)測(cè) y_pred = model_cb.predict(X_test) print('AUC?of?testset?based?on?CatBoost:?'roc_auc_score(y_test,?y_pred))

輸出：

AUC of testset based on CatBoost: 0.5463773041667715

在代碼4中，我們測(cè)試了CatBoost在flights數(shù)據(jù)集上的表現(xiàn)，導(dǎo)入相關(guān)模塊并設(shè)置模型超參數(shù)，便可基于訓(xùn)練集進(jìn)行CatBoost模型擬合，最后將訓(xùn)練好的模型用于測(cè)試集預(yù)測(cè)，可得到測(cè)試集AUC為0.54，相較于XGBoost和LightGBM，CatBoost在該數(shù)據(jù)集上的效果要差不少。表1是針對(duì)flights數(shù)據(jù)集三大模型的綜合對(duì)比結(jié)果。

從表1的綜合對(duì)比結(jié)果來(lái)看，LightGBM無(wú)論是在精度上還是速度上，都要優(yōu)于XGBoost和CatBoost。當(dāng)然了，我們只是在數(shù)據(jù)集上直接用三個(gè)模型做了比較，沒(méi)有做進(jìn)一步的數(shù)據(jù)特征工程和超參數(shù)調(diào)優(yōu)，表1的結(jié)果均可做進(jìn)一步的優(yōu)化。

常用的超參數(shù)調(diào)優(yōu)方法

機(jī)器學(xué)習(xí)模型中有大量需要事先進(jìn)行人為設(shè)定的參數(shù)，比如說(shuō)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的batch-size，XGBoost等集成學(xué)習(xí)模型的樹(shù)相關(guān)參數(shù)，我們將這類不是經(jīng)過(guò)模型訓(xùn)練得到的參數(shù)叫做超參數(shù)（hyperparameter）。人為的對(duì)超參數(shù)調(diào)整的過(guò)程也就是我們熟知的調(diào)參。機(jī)器學(xué)習(xí)中常用的調(diào)參方法包括網(wǎng)格搜索法（grid search）、隨機(jī)搜索法（random search）和貝葉斯優(yōu)化（bayesian optimization）。

網(wǎng)格搜索法

網(wǎng)格搜索是一項(xiàng)常用的超參數(shù)調(diào)優(yōu)方法，常用于優(yōu)化三個(gè)或者更少數(shù)量的超參數(shù)，本質(zhì)是一種窮舉法。對(duì)于每個(gè)超參數(shù)，使用者選擇一個(gè)較小的有限集去探索。然后，這些超參數(shù)笛卡爾乘積得到若干組超參數(shù)。網(wǎng)格搜索使用每組超參數(shù)訓(xùn)練模型，挑選驗(yàn)證集誤差最小的超參數(shù)作為最好的超參數(shù)。

例如，我們有三個(gè)需要優(yōu)化的超參數(shù)a,b,c，候選的取值分別是{1,2}，{3,4}，{5,6}。則所有可能的參數(shù)取值組合組成了一個(gè)8個(gè)點(diǎn)的3維空間網(wǎng)格如下：{（1,3,5），（1,3,6），（1,4,5），（1,4,6），（2,3,5），（2,3,6），（2,4,5），（2,4,6）}，網(wǎng)格搜索就是通過(guò)遍歷這8個(gè)可能的參數(shù)取值組合，進(jìn)行訓(xùn)練和驗(yàn)證，最終得到最優(yōu)超參數(shù)。

Sklearn中通過(guò)model_selection模塊下的GridSearchCV來(lái)實(shí)現(xiàn)網(wǎng)格搜索調(diào)參，并且這個(gè)調(diào)參過(guò)程是加了交叉驗(yàn)證的。我們同樣以前述flights數(shù)據(jù)集為例，展示XGBoost的網(wǎng)格搜索代碼示例。

代碼5 網(wǎng)格搜索

### 基于XGBoost的GridSearch搜索范例 # 導(dǎo)入GridSearch模塊 from sklearn.model_selection import GridSearchCV # 創(chuàng)建xgb分類模型實(shí)例 model = xgb.XGBClassifier() # 待搜索的參數(shù)列表空間 param_lst = {"max_depth": [3,5,7],"min_child_weight" : [1,3,6],"n_estimators": [100,200,300],"learning_rate": [0.01, 0.05, 0.1]} # 創(chuàng)建網(wǎng)格搜索 grid_search = GridSearchCV(model, param_grid=param_lst, cv=3, verbose=10, n_jobs=-1) # 基于flights數(shù)據(jù)集執(zhí)行搜索 grid_search.fit(X_train, y_train) # 輸出搜索結(jié)果 print(grid_search.best_estimator_)

輸出：

XGBClassifier(max_depth=5, min_child_weight=6, n_estimators=300)

代碼5給出了基于XGBoost的網(wǎng)格搜索范例。我們先創(chuàng)建XGBoost分類模型實(shí)例，然后給出需要搜索的參數(shù)和對(duì)應(yīng)的參數(shù)范圍列表，并基于GridSearch創(chuàng)建網(wǎng)格搜索對(duì)象，最后擬合訓(xùn)練數(shù)據(jù)，輸出網(wǎng)格搜索的參數(shù)結(jié)果?？梢钥吹?#xff0c;當(dāng)樹(shù)最大深度為5、最小子樹(shù)權(quán)重取6以及樹(shù)的棵數(shù)為300時(shí)，模型能達(dá)到相對(duì)最優(yōu)的效果。

隨機(jī)搜索

隨機(jī)搜索，顧名思義，即在指定的超參數(shù)范圍或者分布上隨機(jī)搜索和尋找最優(yōu)超參數(shù)。相較于網(wǎng)格搜索方法，給定超參數(shù)分布內(nèi)并不是所有的超參數(shù)都會(huì)進(jìn)行嘗試，而是會(huì)從給定分布中抽樣一個(gè)固定數(shù)量的參數(shù)，實(shí)際僅對(duì)這些抽樣到的超參數(shù)進(jìn)行實(shí)驗(yàn)。相較于網(wǎng)格搜索，隨機(jī)搜索有時(shí)候會(huì)是一種更高效的調(diào)參方法。Sklearn中通過(guò)model_selection模塊下RandomizedSearchCV方法進(jìn)行隨機(jī)搜索?；赬GBoost的隨機(jī)搜索調(diào)參示例如代碼6所示。

代碼6 隨機(jī)搜索

### 基于XGBoost的GridSearch搜索范例 # 導(dǎo)入GridSearch模塊 from sklearn.model_selection import GridSearchCV # 創(chuàng)建xgb分類模型實(shí)例 model = xgb.XGBClassifier() # 待搜索的參數(shù)列表空間 param_lst = {"max_depth": [3,5,7],"min_child_weight" : [1,3,6],"n_estimators": [100,200,300],"learning_rate": [0.01, 0.05, 0.1]} # 創(chuàng)建網(wǎng)格搜索 grid_search = GridSearchCV(model, param_grid=param_lst, cv=3, verbose=10, n_jobs=-1) # 基于flights數(shù)據(jù)集執(zhí)行搜索 grid_search.fit(X_train, y_train) # 輸出搜索結(jié)果 print(grid_search.best_estimator_)

輸出：

XGBClassifier(max_depth=5, min_child_weight=6, n_estimators=300)

代碼6給出了隨機(jī)搜索的使用示例，模式上跟網(wǎng)格搜索基本一致，可以看到，隨機(jī)搜索的結(jié)果認(rèn)為樹(shù)的棵樹(shù)取300，最小子樹(shù)權(quán)重為6，最大深度為5，學(xué)習(xí)率取0.1的時(shí)候模型達(dá)到最優(yōu)。

?

貝葉斯調(diào)參

除了上述兩種調(diào)參方法外，本小節(jié)介紹第三種，也有可能是最好的一種調(diào)參方法，即貝葉斯優(yōu)化。貝葉斯優(yōu)化是一種基于高斯過(guò)程（gaussian process）和貝葉斯定理的參數(shù)優(yōu)化方法，近年來(lái)被廣泛用于機(jī)器學(xué)習(xí)模型的超參數(shù)調(diào)優(yōu)。這里不詳細(xì)探討高斯過(guò)程和貝葉斯優(yōu)化的數(shù)學(xué)原理，僅展示貝葉斯優(yōu)化的基本用法和調(diào)參示例。

貝葉斯優(yōu)化其實(shí)跟其他優(yōu)化方法一樣，都是為了為了求目標(biāo)函數(shù)取最大值時(shí)的參數(shù)值。作為一個(gè)序列優(yōu)化問(wèn)題，貝葉斯優(yōu)化需要在每一次迭代時(shí)選取一個(gè)最佳觀測(cè)值，這是貝葉斯優(yōu)化的關(guān)鍵問(wèn)題。而這個(gè)關(guān)鍵問(wèn)題正好被上述的高斯過(guò)程完美解決。關(guān)于貝葉斯優(yōu)化的大量數(shù)學(xué)原理，包括高斯過(guò)程、采集函數(shù)、Upper Confidence Bound（UCB）和Expectation Improvements（EI）等概念原理，本節(jié)限于篇幅不做展開(kāi)描述。貝葉斯優(yōu)化可直接借用現(xiàn)成的第三方庫(kù)BayesianOptimization來(lái)實(shí)現(xiàn)。使用示例如代碼7所示。

代碼7 貝葉斯優(yōu)化

### 基于XGBoost的BayesianOptimization搜索范例 # 導(dǎo)入xgb模塊 import xgboost as xgb # 導(dǎo)入貝葉斯優(yōu)化模塊 from bayes_opt import BayesianOptimization # 定義目標(biāo)優(yōu)化函數(shù) def xgb_evaluate(min_child_weight,colsample_bytree,max_depth,subsample,gamma,alpha):# 指定要優(yōu)化的超參數(shù)params['min_child_weight'] = int(min_child_weight)params['cosample_bytree'] = max(min(colsample_bytree, 1), 0)params['max_depth'] = int(max_depth)params['subsample'] = max(min(subsample, 1), 0)params['gamma'] = max(gamma, 0)params['alpha'] = max(alpha, 0)# 定義xgb交叉驗(yàn)證結(jié)果cv_result?=?xgb.cv(params,?dtrain,?num_boost_round=num_rounds,?nfold=5,seed=random_state,callbacks=[xgb.callback.early_stop(50)])return cv_result['test-auc-mean'].values[-1]# 定義相關(guān)參數(shù) num_rounds = 3000 random_state = 2021 num_iter = 25 init_points = 5 params = {'eta': 0.1,'silent': 1,'eval_metric': 'auc','verbose_eval': True,'seed': random_state } # 創(chuàng)建貝葉斯優(yōu)化實(shí)例 # 并設(shè)定參數(shù)搜索范圍 xgbBO = BayesianOptimization(xgb_evaluate, {'min_child_weight': (1, 20),'colsample_bytree': (0.1, 1),'max_depth': (5, 15),'subsample': (0.5, 1),'gamma': (0, 10),'alpha': (0, 10),}) # 執(zhí)行調(diào)優(yōu)過(guò)程 xgbBO.maximize(init_points=init_points,?n_iter=num_iter)

代碼7給出了基于XGBoost的貝葉斯優(yōu)化示例，在執(zhí)行貝葉斯優(yōu)化前，我們需要基于XGBoost的交叉驗(yàn)證xgb.cv定義一個(gè)待優(yōu)化的目標(biāo)函數(shù)，獲取xgb.cv交叉驗(yàn)證結(jié)果，并以測(cè)試集AUC為優(yōu)化時(shí)的精度衡量指標(biāo)。最后將定義好的目標(biāo)優(yōu)化函數(shù)和超參數(shù)搜索范圍傳入貝葉斯優(yōu)化函數(shù)BayesianOptimization中，給定初始化點(diǎn)和迭代次數(shù)，即可執(zhí)行貝葉斯優(yōu)化。

圖2?貝葉斯優(yōu)化結(jié)果

部分優(yōu)化過(guò)程如圖2所示，可以看到，貝葉斯優(yōu)化在第23次迭代時(shí)達(dá)到最優(yōu)，當(dāng)alpha參數(shù)取4.099、列抽樣比例為0.1、gamma參數(shù)為0、樹(shù)最大深度為5、最小子樹(shù)權(quán)重取5.377以及子抽樣比例為1.0時(shí)，測(cè)試集AUC達(dá)到最優(yōu)的0.72。

總結(jié)

本章是在前述幾章集成學(xué)習(xí)內(nèi)容基礎(chǔ)上的一個(gè)簡(jiǎn)單綜合對(duì)比，并給出了集成學(xué)習(xí)常用的超參數(shù)調(diào)優(yōu)方法和示例。我們針對(duì)常用的三大Boosting集成學(xué)習(xí)模型：XGBoost、LightGBM和CatBoost，以具體的數(shù)據(jù)實(shí)例做了一個(gè)精度和速度上的性能對(duì)比，但限于具體的數(shù)據(jù)集和調(diào)優(yōu)差異，對(duì)比結(jié)果僅作為演示說(shuō)明使用，并不能真正代表LightGBM模型一定就要優(yōu)于CatBoost模型。

三大常用的超參數(shù)調(diào)優(yōu)方法：網(wǎng)格搜索法、隨機(jī)搜索法和貝葉斯優(yōu)化法。本章也基于同樣的數(shù)據(jù)集給出了三大超參數(shù)調(diào)優(yōu)方法的使用示例，但限于篇幅，并沒(méi)有太多深入每個(gè)方法的數(shù)學(xué)原理闡述。

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯溫州大學(xué)《機(jī)器學(xué)習(xí)課程》視頻 本站qq群851320808，加入微信群請(qǐng)掃碼：

總結(jié)

以上是生活随笔為你收集整理的【机器学习基础】XGBoost、LightGBM与CatBoost算法对比与调参的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。