python|LightGBM模型

最新推荐文章于 2024-08-07 14:48:28 发布
最新推荐文章于 2024-08-07 14:48:28 发布
阅读量4k 收藏 8
点赞数 1
分类专栏： 利用python做数据分析 机器学习 python 文章标签： 机器学习 lgb
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cutwind/article/details/106763716
版权
本文详细介绍了如何在Python中使用LightGBM进行机器学习建模，包括数据预处理、模型训练、参数调优及模型评估等关键步骤。LightGBM作为一款高效的梯度提升框架，以其速度快、内存占用低和准确度高等特点深受数据科学家喜爱。
摘要由CSDN通过智能技术生成 
# -*- coding: utf-8 -*-
"""
Created on Fri Jun 12 16:20:17 2020

@author: weiping
"""

import xgboost as xgb
import lightgbm as lgb  
from sklearn.model_selection  import train_test_split
from sklearn.metrics import *
from sklearn.datasets import load_iris

iris = load_iris()

data_x = iris.data 
data_y = iris.target

x_tr,x_te,y_tr,y_te = train_test_split(data_x,data_y,train_size = 0.7,random_state =22)
#XGBboost模型
xgb_model = xgb.XGBClassifier()
xgb_model.fit(x_tr,y_tr)
xgb_predict = xgb_model.predict(x_te)

print("xgb准确率：" ,str(xgb_model.score(x_te,y_te)))
#print("roc_auc_score:",str(roc_auc_score(y_te,xgb_predict))) 不支持多分类
print("precision_score:",str(precision_score(y_te,xgb_predict,average = 'weighted')))
print("recall_score:" , str(recall_score(y_te,xgb_predict,average = 'weighted')))
print("f1_score:",str(f1_score(
最低0.47元/天 解锁文章
cutwind
关注
专栏目录
模式分类识别 | Python实现基于LGBM模型的信用类型识别预测
前程算法屋的博客
10-27 1152
模式分类识别 | Python实现基于LGBM模型信用类型识别预测
时间序列预测 | Python实现LightGBM模型时间序列预测
前程算法屋的博客
04-10 3764
时间序列预测 | Python实现LightGBM模型时间序列预测 目录时间序列预测 | Python实现LightGBM模型时间序列预测基本介绍程序设计总结 基本介绍 创建一个基于LightGBM并且适合个人使用的时间序列的快速建模程序. 程序设计 在查看单变量空间中树的其他实现时都会看到一些特征工程，例如分箱、使用目标的滞后值、简单的计数器、季节性虚拟变量，也许还有傅里叶函数。 这对于使用传统的指数平滑等方法是非常棒的。但是我们今天目的是必须对时间元素进行特征化并将其表示为表格数据以提供给树型模型
机器学习常用模板—（LGB）
天上掉下两毛钱
06-03 2万+
LightGBM是个快速的、分布式的、高性能的基于决策树算法的梯度提升框架。可用于排序、分类、回归以及很多其他的机器学习任务中。模板：import lightgbm as lgb print("LGB test") clf = lgb.LGBMClassifier( boosting_type='gbdt', num_leaves=55, reg_alpha=0.0, reg_la...
python模型lgbm调优工具_机器学习应用之LGBM详解
weixin_29525745的博客
02-04 5894
内置方式建模要把数据读取成Dataset格式lgb.train去训练# coding: utf-8import jsonimport lightgbm as lgbimport pandas as pdfrom sklearn.metrics import mean_squared_error# 加载数据集合print('加载数据...')df_train = pd.read_csv('../da...
lightgbm模型保存为pmml文件，并加载
最新发布
m0_63841024的博客
08-07 499
5.在pmml-lightgbm-example目录下会生成target文件，target目录下会生成.jar文件7.在此目录下可生成.pmml文件。
【项目实战】Python实现LightGBM分类模型(LGBMClassifier算法)项目实战
胖哥真不错的博客
11-06 3万+
说明：这是一个机器学习实战项目（附带数据+代码+文档+代码讲解），如需数据+代码+文档+代码讲解可以直接到文章最后获取。 1.项目背景 如今已是大数据时代，具备大数据思想至关重要，人工智能技术在各行各业的应用已是随处可见。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...
模型训练lgb
MusicDancing的博客
08-25 773
1. model pipeline拆解 # -*- coding: utf-8 -*- import pandas as pd import lightgbm as lgb from sklearn import metrics from woe.eval import eval_segment_metrics # 一般这样，不需改动 params = { 'boosting_type': 'gbdt', 'objective': 'binary', 'metric': 'au
Python手册(Machine Learning)--LightGBM
WilenWu
02-27 1898
LightGBM（Light Gradient Boosting Machine）是一种高效的 Gradient Boosting 算法， 主要用于解决GBDT在海量数据中遇到的问题，以便更好更快的用于工业实践中。而在实际建模环节，LGBM支持Python、Java、C++等多种编程语言进行调用，并同时提供了Sklearn API和原生API两套调用方法。
Lightgbm模型测试
enjoy
02-13 2164
一．数据预处理 1.现在运用随机抽取曝光和点击的数据各600000条，500000条： 关键抽取代码如下： #lightgbm模型 def lightgbm_too(): x_train = pd.read_csv(r'C:\Users\MeetYou\PycharmProjects\untitled1\data7.csv') x_train=x_t...
PyPI 官网下载 | lightgbm-2.1.0.tar.gz
01-12
在这个主题中，我们将深入探讨LightGBM的核心特性、安装过程以及在Python中的应用。 LightGBM是微软亚洲研究院开发的一款机器学习库，它优化了传统GBDT（Gradient Boosting Decision Tree）算法，主要体现在以下几...
lightgbm模型保存为pmml文件 机器学习lgbm模型存为pmml文件 通过java调用jar
01-23
这个过程使得在不同环境中部署和使用LightGBM模型成为可能，比如从Python开发环境到Java生产环境的迁移。通过PMML，不仅能够保持模型的结构和逻辑，还能确保在不同平台间的一致性，从而提高开发效率和模型应用的灵活...
基于机器学习模型LightGBM进行水电站入库流量预测的python源码+数据集+报告文档.zip
03-02
基于机器学习模型LightGBM进行水电站入库流量预测的python源码+数据集+报告文档.zip第四届工业大数据创新竞赛-水电站入库流量预测 Top1解决方案，代码和资料完整，下载即用。 基于机器学习模型LightGBM进行水电站...
LightGBM Light Gradient Boosting Machine
JasonH2021的博客
08-13 1322
本文简单介绍了Lightgbm的基本概念，优缺点，建模时的注意事项，实现方法，python示例和模型的参数等。
LightGBM（lgb）详解
热门推荐
weixin_44023658的博客
06-13 6万+
1. LightGBM简介 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。而LightGBM（Light Gradient Boosting Machine）是一个实现GBDT
python回归预测，从变量加工到建模预测（分子模型）RF,LGB,SVR,DNN实现
weixin_28903789的博客
06-06 1599
import numpy as np import pandas as pd # import pyreadstat import time import datetime as dt from sklearn.model_selection import GridSearchCV from sklearn.model_selection import cross_val_score import matplotlib.pyplot as plt from scipy import stats import
机器学习：基于LightGBM的分类实践
Morganfs的博客
05-01 1933
学习时间：2022.04.30~2022.05.1 文章目录机器学习：基于LightGBM的分类实践1. LightGBM简介2. LightGBM实践2.1 数据处理2.2 参数设置2.3 验证集评估 机器学习：基于LightGBM的分类实践 尝试了一下招行的FinTech比赛，然后说是用LightGBM（lgb）的效果很好，所以临时来突击学习一下。 1. LightGBM简介 LightGBM是轻量级（Light）的梯度提升机器（GBM）,是GBDT模型的另一个进化版本。它延续了XGBoost的那一.
LGBM算法 原理
mnwl12_0的博客
03-25 2504
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。而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。
python|随机森林（RandomForestClassifier）
cutwind的博客
11-06 3644
# -*- coding: utf-8 -*- """ Created on Wed Nov 6 16:23:18 2019 @author: weiping """ from sklearn.ensemble import RandomForestClassifier as rfc from sklearn.ensemble import RandomForestRegressor as...
python构建lightgbm模型，制作force plot代码
05-15
构建LightGBM模型可以使用以下代码： ```python import lightgbm as lgb from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split # 载入数据 data = load_boston() X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2, random_state=42) # 构建LightGBM模型 params = { 'boosting_type': 'gbdt', 'objective': 'regression', 'metric': {'l2', 'l1'}, 'num_leaves': 31, 'learning_rate': 0.05, 'feature_fraction': 0.9, 'bagging_fraction': 0.8, 'bagging_freq': 5, 'verbose': 0 } lgb_train = lgb.Dataset(X_train, y_train) lgb_eval = lgb.Dataset(X_test, y_test, reference=lgb_train) gbm = lgb.train(params, lgb_train, num_boost_round=100, valid_sets=lgb_eval, early_stopping_rounds=5) # 预测结果 y_pred = gbm.predict(X_test, num_iteration=gbm.best_iteration) ``` 制作Force Plot需要使用shap包，可以使用以下代码实现： ```python import shap # 计算SHAP值 explainer = shap.TreeExplainer(gbm) shap_values = explainer.shap_values(X_test) # 制作Force Plot shap.initjs() shap.force_plot(explainer.expected_value, shap_values[0,:], X_test[0,:]) ``` 其中，`shap.TreeExplainer()`用于计算SHAP值，`shap_values()`用于计算所有测试数据的SHAP值，`shap.force_plot()`用于制作Force Plot。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值