Datawhale AI 夏令营学习笔记 机器学习方向

Task2：入门lightgbm

基础概念入门

GBDT

GBDT (Gradient Boosting Decision Tree) 是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。

GBDT不仅在工业界应用广泛，通常被用于多分类、点击率预测、搜索排序等任务；在各种数据挖掘竞赛中也是致命武器，据统计Kaggle上的比赛有一半以上的冠军方案都是基于GBDT。

LightGBM

LightGBM（Light Gradient Boosting Machine）是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。

LightGBM 框架中还包括随机森林和逻辑回归等模型。通常应用于二分类、多分类和排序等场景。

例如：在个性化商品推荐场景中，通常需要做点击预估模型。使用用户过往的行为（点击、曝光未点击、购买等）作为训练数据，来预测用户点击或购买的概率。根据用户行为和用户属性提取一些特征，包括：

• 类别特征（Categorical Feature）：字符串类型，如性别（男/女）。

• 物品类型：服饰、玩具和电子等。

• 数值特征（Numrical Feature）：整型或浮点型，如用户活跃度或商品价格等。
  
  
  完整代码如下：

  import numpy as np

  import pandas as pd

  import sys

  !{sys.executable} -m pip install lightgbm

  import lightgbm as lgb

  from sklearn.metrics import mean_squared_log_error, mean_absolute_error, mean_squared_error

  import tqdm

  import sys

  import os

  import gc

  import argparse

  import warnings

  warnings.filterwarnings('ignore')

import matplotlib.pyplot as plt

# 不同type类型对应target的柱状图

type_target_df = train.groupby('type')['target'].mean().reset_index()

plt.figure(figsize=(8, 4))

plt.bar(type_target_df['type'], type_target_df['target'], color=['blue', 'green'])

plt.xlabel('Type')

plt.ylabel('Average Target Value')

plt.title('Bar Chart of Target by Type')

plt.show()

specific_id_df = train[train['id'] == '00037f39cf']

plt.figure(figsize=(10, 5))

plt.plot(specific_id_df['dt'], specific_id_df['target'], marker='o', linestyle='-')

plt.xlabel('DateTime')

plt.ylabel('Target Value')

plt.title("Line Chart of Target for ID '00037f39cf'")

plt.show()

# 合并训练数据和测试数据，并进行排序

data = pd.concat([test, train], axis=0, ignore_index=True)

data = data.sort_values(['id','dt'], ascending=False).reset_index(drop=True)

# 历史平移

for i in range(10,30):

    data[f'last{i}_target'] = data.groupby(['id'])['target'].shift(i)

   

# 窗口统计

data[f'win3_mean_target'] = (data['last10_target'] + data['last11_target'] + data['last12_target']) / 3

# 进行数据切分

train = data[data.target.notnull()].reset_index(drop=True)

test = data[data.target.isnull()].reset_index(drop=True)

# 确定输入特征

train_cols = [f for f in data.columns if f not in ['id','target']]

 

def time_model(lgb, train_df, test_df, cols):

    # 训练集和验证集切分

    trn_x, trn_y = train_df[train_df.dt>=31][cols], train_df[train_df.dt>=31]['target']

    val_x, val_y = train_df[train_df.dt<=30][cols], train_df[train_df.dt<=30]['target']

    # 构建模型输入数据

    train_matrix = lgb.Dataset(trn_x, label=trn_y)

    valid_matrix = lgb.Dataset(val_x, label=val_y)

    # lightgbm参数

    lgb_params = {

        'boosting_type': 'gbdt',

        'objective': 'regression',

        'metric': 'mse',

        'min_child_weight': 5,

        'num_leaves': 2 ** 5,

        'lambda_l2': 10,

        'feature_fraction': 0.8,

        'bagging_fraction': 0.8,

        'bagging_freq': 4,

        'learning_rate': 0.05,

        'seed': 2024,

        'nthread' : 16

    }

    # 训练模型

    model = lgb.train(

        lgb_params,

        train_matrix,

        num_boost_round=50000,

        valid_sets=[train_matrix, valid_matrix],

        categorical_feature=[],

        callbacks=[lgb.early_stopping(stopping_rounds=500)]

    )

    # 验证集和测试集结果预测

    val_pred = model.predict(val_x, num_iteration=model.best_iteration)

    test_pred = model.predict(test_df[cols], num_iteration=model.best_iteration)

    # 离线分数评估

    score = mean_squared_error(val_pred, val_y)

    print(score)

       

    return val_pred, test_pred

   

lgb_oof, lgb_test = time_model(lgb, train, test, train_cols)

# 保存结果文件到本地

test['target'] = lgb_test

test[['id','dt','target']].to_csv('submit.csv', index=None)

运行结果：

[LightGBM] [Info] Auto-choosing col-wise multi-threading, the overhead of testing was 0.477147 seconds.
You can set `force_col_wise=true` to remove the overhead.
[LightGBM] [Info] Total Bins 5627
[LightGBM] [Info] Number of data points in the train set: 2760666, number of used features: 23
[LightGBM] [Info] Start training from score 32.114748
Training until validation scores don't improve for 500 rounds
Early stopping, best iteration is:
[956]	training's l2: 171.445	valid_1's l2: 183.575
183.5745442665828