本文主要是介绍【python 机器学习】机器学习算法之LightGBM，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
算法介绍：
LightGBM 由微软2017年提出，主要用于解决 GDBT 在海量数据中遇到的问题，以便其可以更好更快地用于工业实践中。从 LightGBM 名字我们可以看出其是轻量级（Light）的梯度提升机（GBM），其相对 XGBoost 具有训练速度快、内存占用低的特点。
实际上，XGBoost和lightGBM都属于GBDT的一种实现，旨在优化算法的性能，提升算法的训练速度，与XGBoost相比，lightGBM更适应于数据量更大的场景。从GBDT->XGBoost->lightGBM，在模型训练阶段，是不能百分百地断定lightGBM就比GBDT和XGBoost好，因为数据量的大小也决定了模型的可行性。所以实际场景中，还是建议一一尝试之后再做抉择。
高效梯度提升(LightGBM)
(1)、LightGBM也能提供比XGBoost更高的准确性和更短的训练时间；
(2)、支持并行的树增强操作，即使在大型数据集上（相比于 XGBoost）也能提供更快的训练速度；
(3)、使用直方图histogram-esquealgorithm，将连续的特征转化为离散的特征，从而实现了极快的训练速度和较低的内存使用率；
(4)、通过使用垂直拆分（leaf-wise split）而不是水平拆分（level-wise split）来获得极高的准确性，这会导致非常快速的聚合现象，并在非常复杂的树结构中能捕获训练数据的底层模式。可以通过使用 num_leaves 和 max_depth 这两个超参数来控制过度拟合；
LightGBM在很多方面会比XGBoost表现的更为优秀。它有以下优势：
1、更快的训练效率
2、低内存使用
3、更高的准确率
4、支持并行化学习
5、可处理大规模数据
6、支持直接使用category特征
LightGBM调参指导：
针对 leaf-wise 树的参数优化：num_leaves：控制了叶节点的数目。它是控制树模型复杂度的主要参数。如果是level-wise，则该参数为 ，其中depth为树的深度。但是当叶子数量相同时，leaf-wise的树要远远深过level-wise树，非常容易导致过拟合。因此应该让num_leaves小于 。在leaf-wise树中，并不存在depth的概念。因为不存在一个从leaves到depth的合理映射。min_data_in_leaf：每个叶节点的最少样本数量。它是处理leaf-wise树的过拟合的重要参数。将它设为较大的值，可以避免生成一个过深的树。但是也可能导致欠拟合。max_depth： 控制了树的最大深度。该参数可以显式的限制树的深度。针对更快的训练速度：通过设置 bagging_fraction 和 bagging_freq 参数来使用 bagging 方法通过设置 feature_fraction 参数来使用特征的子抽样使用较小的 max_bin使用 save_binary 在未来的学习过程对数据加载进行加速获取更好的准确率：使用较大的 max_bin （学习速度可能变慢）使用较小的 learning_rate 和较大的 num_iterations使用较大的 num_leaves （可能导致过拟合）使用更大的训练数据尝试 dart缓解过拟合：使用较小的 max_bin使用较小的 num_leaves使用 min_data_in_leaf 和 min_sum_hessian_in_leaf通过设置 bagging_fraction 和 bagging_freq 来使用 bagging通过设置 feature_fraction 来使用特征子抽样使用更大的训练数据使用 lambda_l1, lambda_l2 和 min_gain_to_split 来使用正则尝试 max_depth 来避免生成过深的树核心参数：config 或者config_file：一个字符串，给出了配置文件的路径。默认为空字符串。task： 一个字符串，给出了要执行的任务。可以为：‘train’ 或者 ‘training’：表示是训练任务。默认为’train’。‘predict’ 或者 ‘prediction’或者’test’：表示是预测任务。‘convert_model’： 表示是模型转换任务。将模型文件转换成if-else 格式。application或者objective或者app：一个字符串，表示问题类型。可以为：‘regression’或’regression_l2’或’mean_squared_error’或’mse’或’l2_root’或’root_mean_squred_error’或’rmse’：表示回归任务，但是使用L2损失函数。默认为’regression’‘regression_l1’或者mae或者mean_absolute_error：表示回归任务，但是使用L1损失函数。‘huber’： 表示回归任务，但是使用huber 损失函数。‘fair’： 表示回归任务，但是使用fair 损失函数。‘poisson’： 表示Poisson 回归任务。‘quantile’： 表示quantile回归任务。‘quantile_l2’：表示quantile回归任务，但是使用了L2 损失函数。‘mape’ 或者’mean_absolute_precentage_error’： 表示回归任务，但是使用MAPE 损失函数‘gamma’： 表示gamma 回归任务。‘tweedie’： 表示tweedie 回归任务。‘binary’： 表示二分类任务，使用对数损失函数作为目标函数。‘multiclass’： 表示多分类任务，使用softmax 函数作为目标函数。必须设置num_class 参数‘multiclassova’ 或者’multiclass_ova’ 或者’ova’ 或者’ovr’： 表示多分类任务，使用one-vs-all 的二分类目标函数。必须设置num_class 参数‘xentropy’ 或者’cross_entropy’： 目标函数为交叉熵（同时具有可选择的线性权重）。要求标签是[0,1] 之间的数值。‘xentlambda’ 或者’cross_entropy_lambda’： 替代了参数化的cross_entropy 。要求标签是[0,1]之间的数值。‘lambdarank’：表示排序任务。在lambdarank 任务中，标签应该为整数类型，数值越大表示相关性越高。label_gain 参数可以用于设置整数标签的增益（权重）boosting 或者’boost’ 或者 ‘boosting_type’： 一个字符串，给出了基学习器模型算法。可以为：‘gbdt’： 表示传统的梯度提升决策树。默认值为’gbdt’‘rf’： 表示随机森林。‘dart’： 表示带dropout 的gbdtgoss：表示Gradient-based One-Side Sampling 的gbdtdata或者train或者train_data：一个字符串，给出了训练数据所在的文件的文件名。默认为空字符串。lightgbm将使用它来训练模型。valid或者test或者valid_data或者test_data：一个字符串，表示验证集所在的文件的文件名。默认为空字符串。lightgbm将输出该数据集的度量。如果有多个验证集，则用逗号分隔。num_iterations或者num_iteration或者num_tree或者num_trees或者num_round或者num_rounds或者num_boost_round 一个整数，给出了boosting的迭代次数。默认为 100。对于python/R包，该参数是被忽略的。对于python，使用train()/cv()的输入参数num_boost_round来代替。在内部，lightgbm对于multiclass 问题设置了num_class*num_iterations 棵树。learning_rate或者shrinkage_rate： 个浮点数，给出了学习率。默认为1。在dart 中，它还会影响dropped trees 的归一化权重。num_leaves或者num_leaf：一个整数，给出了一棵树上的叶子数。默认为 31tree_learner或者tree：一个字符串，给出了tree learner，主要用于并行学习。 默认为’serial’。 可以为：‘serial’： 单台机器的tree learner‘feature’： 特征并行的tree learner‘data’： 数据并行的tree learner‘voting’： 投票并行的tree learnernum_threads 或者num_thread 或者nthread：一个整数， 给出了lightgbm 的线程数。默认为OpenMP_default。为了更快的速度，应该将它设置为真正的CPU 内核数，而不是线程的数量（大多数CPU 使用超线程来使每个CPU内核生成2个线程）。当数据集较小的时候，不要将它设置的过大对于并行学习，不应该使用全部的CPU核心，因为这会使得网络性能不佳device： 一个字符串，指定计算设备。默认为’cpu’。 可以为’gpu’,’cpu’。建议使用较小的max_bin 来获得更快的计算速度为了加快学习速度，GPU 默认使用32位浮点数来求和。你可以设置gpu_use_dp=True 来启动64位浮点数，但是它会使得训练速度降低。学习控制参数：max_depth： 一个整数，限制了树模型的最大深度，默认值为-1。如果小于0，则表示没有限制。min_data_in_leaf 或者 min_data_per_leaf 或者 min_data或者min_child_samples： 一个整数，表示一个叶子节点上包含的最少样本数量。默认值为 20min_sum_hessian_in_leaf 或者 min_sum_hessian_per_leaf或者 min_sum_hessian 或者 min_hessian或者min_child_weight： 一个浮点数，表示一个叶子节点上的最小hessian 之和。（也就是叶节点样本权重之和的最小值） 默认为1e-3 。feature_fraction或者sub_feature或者colsample_bytree：一个浮点数，取值范围为[0.0,1.0]， 默认值为0。如果小于1.0，则lightgbm 会在每次迭代中随机选择部分特征。如0.8 表示：在每棵树训练之前选择80% 的特征来训练。feature_fraction_seed： 一个整数，表示feature_fraction 的随机数种子，默认为2。bagging_fraction 或者sub_row 或者 subsample：一个浮点数，取值范围为[0.0,1.0]， 默认值为0。如果小于1.0，则lightgbm 会在每次迭代中随机选择部分样本来训练（非重复采样）。如0.8 表示：在每棵树训练之前选择80% 的样本（非重复采样）来训练。bagging_freq 或者subsample_freq：一个整数，表示每bagging_freq 次执行bagging。如果该参数为0，表示禁用bagging。bagging_seed 或者 bagging_fraction_seed：一个整数，表示bagging 的随机数种子，默认为 3 。early_stopping_round 或者 early_stopping_rounds或者early_stopping：一个整数，默认为0。如果一个验证集的度量在early_stopping_round 循环中没有提升，则停止训练。如果为0则表示不开启早停。lambda_l1 或者reg_alpha： 一个浮点数，表示L1正则化系数。默认为0lambda_l2 或者reg_lambda： 一个浮点数，表示L2正则化系数。默认为0min_split_gain 或者min_gain_to_split： 一个浮点数，表示执行切分的最小增益，默认为0drop_rate： 一个浮点数，取值范围为[0.0,1.0]，表示dropout 的比例，默认为1。 该参数仅在dart 中使用skip_drop： 一个浮点数，取值范围为[0.0,1.0]，表示跳过dropout 的概率，默认为5。 该参数仅在dart 中使用max_drop： 一个整数，表示一次迭代中删除树的最大数量，默认为50。 如果小于等于0，则表示没有限制。 该参数仅在dart 中使用uniform_drop：一个布尔值，表示是否想要均匀的删除树，默认值为False。 该参数仅在dart 中使用xgboost_dart_mode： 一个布尔值，表示是否使用xgboost dart 模式，默认值为False。该参数仅在dart 中使用drop_seed： 一个整数，表示dropout 的随机数种子，默认值为 4。 该参数仅在dart 中使用top_rate： 一个浮点数，取值范围为[0.0,1.0]，表示在goss 中，大梯度数据的保留比例，默认值为2。该参数仅在goss 中使用other_rate： 一个浮点数，取值范围为[0.0,1.0]，表示在goss 中，小梯度数据的保留比例，默认值为1。该参数仅在goss 中使用min_data_per_group：一个整数，表示每个分类组的最小数据量，默认值为100。用于排序任务max_cat_threshold： 一个整数，表示category 特征的取值集合的最大大小。默认为 32 。cat_smooth： 一个浮点数，用于category 特征的概率平滑。默认值为 10。它可以降低噪声在category 特征中的影响，尤其是对于数据很少的类。cat_l2： 一个浮点数，用于category 切分中的L2 正则化系数。默认为 10 。top_k 或者 topk： 一个整数，用于投票并行中。默认为20 。将它设置为更大的值可以获得更精确的结果，但是会降低训练速度。IO 参数：max_bin： 一个整数，表示最大的桶的数量。默认值为 255。lightgbm 会根据它来自动压缩内存。如max_bin=255 时，则lightgbm 将使用uint8 来表示特征的每一个值。min_data_in_bin： 一个整数，表示每个桶的最小样本数。默认为3。该方法可以避免出现一个桶只有一个样本的情况。data_random_seed： 一个整数，表示并行学习数据分隔中的随机数种子。默认为1它不包括特征并行。output_model或者model_output或者model_out： 一个字符串，表示训练中输出的模型被保存的文件的文件名。默认txt 。input_model或者model_input或者model_in： 一个字符串，表示输入模型的文件的文件名。默认空字符串。对于prediction任务，该模型将用于预测数据，对于train任务，训练将从该模型继续output_result或者 predict_result或者prediction_result：一个字符串，给出了prediction 结果存放的文件名。默认为txt。pre_partition 或者 is_pre_partition： 一个布尔值，指示数据是否已经被划分。默认值为False。 如果为true，则不同的机器使用不同的partition 来训练。它用于并行学习（不包括特征并行）is_sparse或者 is_enable_sparse或者enable_sparse： 一个布尔值，表示是否开启稀疏优化，默认为True。如果为True则启用稀疏优化。two_round 或者two_round_loading或者 use_two_round_loading： 一个布尔值，指示是否启动两次加载。默认值为False，表示只需要进行一次加载。默认情况下，lightgbm 会将数据文件映射到内存，然后从内存加载特征，这将提供更快的数据加载速度。但是当数据文件很大时，内存可能会被耗尽。如果数据文件太大，则将它设置为Truesave_binary或者is_save_binary或者 is_save_binary_file： 一个布尔值，表示是否将数据集（包括验证集）保存到二进制文件中。默认值为False。如果为True，则可以加快数据的加载速度。verbosity 或者verbose：一个整数，表示是否输出中间信息。默认值为1。如果小于0，则仅仅输出critical 信息；如果等于0，则还会输出error,warning 信息； 如果大于0，则还会输出info 信息。header或者has_header：一个布尔值，表示输入数据是否有头部。默认为False。label 或者label_column：一个字符串，表示标签列。默认为空字符串。你也可以指定一个整数，如label=0 表示第0列是标签列。你也可以为列名添加前缀，如label=prefix:label_nameweight 或者weight_column： 一个字符串，表示样本权重列。默认为空字符串。你也可以指定一个整数，如weight=0 表示第0列是权重列。注意：它是剔除了标签列之后的索引。假如标签列为0，权重列为1，则这里weight=0。你也可以为列名添加前缀，如weight=prefix:weight_namequery 或者query_column或者gourp 或者group_column： 一个字符串，query/group ID 列。默认为空字符串。你也可以指定一个整数，如query=0 表示第0列是query列。注意：它是剔除了标签列之后的索引。假如标签列为0，query列为1，则这里query=0。你也可以为列名添加前缀，如query=prefix:query_nameignore_column 或者 ignore_
这篇关于【python 机器学习】机器学习算法之LightGBM的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
